机器人标准DH(SDH)与改进DH(MDH)

机器人标准DH(SDH)与改进DH(MDH)
首先说一下为什么要写这一篇博客,就是为了提醒大家要明确区分标准DH和改进DH。很多机器人初学者只知道用DH法建立串联机器人连杆坐标系,然后在看书或者使用DH的时候很糊涂的就模糊了这标准DH和改进DH的区别,最大的坑就是:一些比较老的机器人学教科书用的是标准DH,而现在比较新的机器人书或者说我们大部分用的都是改进DH,这就导致老的教科书里面的一些公式推导和新的网上找的代码不一致,就会比较麻烦。

一:改进DH法

建立连杆坐标系:

使用改进D-H参数,将

坐标系定义在i

连杆的前端关节:

二:标准DH与改进DH法的区别

我们知道一个连杆有两端,一端离基座近,一端离基座远。简单的来说,标准DH将坐标系i建立在连杆i离基座近的一端,改进DH建立在离基座远的一端。

2.1 机器人连杆与关节的标号

先标号,再建系。

连杆编号:基座为杆0,从基座往后依次定义为杆1,杆2,…,杆i;

关节编号:杆i离基座近的一端(近端)的关节为关节i,远的一端(远端)为关节i+1。

为便于理解,这里我把连杆的近端用绿色表示,远端用橙色表示,且远端驱动近端转动。大家只要记住一句话,连杆近端关节的标号和连杆标号是一致的

图1连杆和关节标号

2.2 两种建系方法的区别

区别一:连杆坐标系建立的位置不同。SDH方法将连杆i的坐标系固定在连杆的远端,MDH方法把连杆i的坐标系固定在连杆的近端。

(a)SDH                                (b)MDH

图2 建系方法的不同

区别二:执行变换的的顺序不同。按照SDH方法变换时四个参数相乘的顺序依次为d—>θ—>a—>α,而MDH方法则按照α—>a—>θ—>d(正好与SDH相反)。

三:为什么要用改进DH法,而不选标准DH法

对于树形结构或者闭链机构的机器人来说,按照SDH方法建立的连杆坐标系会产生歧义,因为SDH的建系原则是把连杆i的坐标系建立在连杆的远端,如图3(a)所示,这就导致连杆0上同时出现了两个坐标系。而MDH把连杆坐标系建立在每个连杆的近端,则不会坐标系重合的情况,如图3(b)所示,这就克服了SDH方法建系的缺点。

(a)SDH                                               (b)MDH

图3 坐标系分配的不同

四.总结

1.SDH适合应用于开链结构的机器人

2.当使用SDH表示树状或闭链结构的机器人时,会产生歧义;

3.MDH法对开链、树状、闭链结构的机器人都适用,推荐使用。

五.我遇到的坑

在下面这本教材里面

显然用的是DH参数法,因此在后面推导几何雅可比矩阵的时候

提到

z_{i-1}

p_{i-1}

分别由

R^0_{i-1}

T^0_{i-1}

得到:

但是如果你用的是改进DH参数法进行建模,核心公式(3.30)应该是:

原因是原本的标准DH的坐标系

i-1

对应的z轴

z_{i-1}

就是改进的DH的的坐标系

i

的z轴

z_i

下面是基于改进DH计算几何雅可比的代码
 

function J_geo = geometric_jacobian_from_q_corrected(q) % 根据关节角度计算几何雅可比矩阵,匹配MATLAB工具箱的顺序 % 输入: q - 7×1关节角向量 (弧度) % 输出: J_geo - 6×7几何雅可比矩阵 % Franka Panda的DH参数 (Modified DH) % 格式: [alpha, a, d, theta] MDH = [0, 0, 0.333, q(1); -pi/2, 0, 0, q(2); pi/2, 0, 0.316, q(3); pi/2, 0.0825, 0, q(4); -pi/2, -0.0825,0.384, q(5); pi/2, 0, 0, q(6); pi/2, 0.088, 0.107, q(7)]; % 计算每个关节的变换矩阵和位置 n = 7; T = eye(4); T_all = cell(n, 1); p_all = zeros(3, n); z_all = zeros(3, n); for i = 1:n alpha = MDH(i, 1); a = MDH(i, 2); d = MDH(i, 3); theta = MDH(i, 4); % 改进DH变换矩阵 Ti = [cos(theta), -sin(theta), 0, a; sin(theta)*cos(alpha), cos(theta)*cos(alpha), -sin(alpha), -d*sin(alpha); sin(theta)*sin(alpha), cos(theta)*sin(alpha), cos(alpha), d*cos(alpha); 0, 0, 0, 1]; T = T * Ti; T_all{i} = T; p_all(:, i) = T(1:3, 4); z_all(:, i) = T(1:3, 3); end % 末端执行器位置 p_ee = p_all(:, end); % 计算几何雅可比 - 修正关节编号对应关系 J_geo = zeros(6, n); for i = 1:n if i == 1 % 关节1:使用基坐标系 p_i = [0; 0; 0]; z_i = [0; 0; 1]; else % 关节i:使用连杆i-1的坐标系 p_i = p_all(:, i); % 改进DH:使用i z_i = z_all(:, i); % 改进DH:使用i end % MATLAB顺序:线速度在前,角速度在后 J_geo(4:6, i) = z_i; J_geo(1:3, i) = cross(z_i, p_ee - p_i); end end function T = forward_kinematics_mdh(q) % 改进DH正运动学 MDH = [0, 0, 0.333, q(1); -pi/2, 0, 0, q(2); pi/2, 0, 0.316, q(3); pi/2, 0.0825, 0, q(4); -pi/2, -0.0825,0.384, q(5); pi/2, 0, 0, q(6); pi/2, 0.088, 0.107, q(7)]; T = eye(4); for i = 1:7 alpha = MDH(i, 1); a = MDH(i, 2); d = MDH(i, 3); theta = MDH(i, 4); Ti = [cos(theta), -sin(theta), 0, a; sin(theta)*cos(alpha), cos(theta)*cos(alpha), -sin(alpha), -d*sin(alpha); sin(theta)*sin(alpha), cos(theta)*sin(alpha), cos(alpha), d*cos(alpha); 0, 0, 0, 1]; T = T * Ti; end end % 

Read more

GLM-4.6V-Flash-WEB模型能否识别食物种类并估算热量?

GLM-4.6V-Flash-WEB模型能否识别食物种类并估算热量? 在智能健康管理逐渐走入日常的今天,一个看似简单却长期困扰开发者的问题浮出水面:用户拍一张餐食照片,AI能不能立刻告诉我“这顿饭大概多少大卡”?过去,这类功能依赖复杂的系统流水线——图像先由CNN模型分类,再匹配数据库中的营养信息,最后拼接成回答。流程冗长、延迟高、维护成本大,用户体验往往大打折扣。 而如今,随着多模态大模型的成熟,一种更简洁、更高效的解决方案正在成为现实。智谱AI推出的 GLM-4.6V-Flash-WEB 模型,正是这一趋势下的代表性产物。它不仅能在毫秒级时间内“看懂”图片内容,还能结合自然语言指令进行推理,直接输出如“一碗红烧肉配米饭,估计约850千卡”这样的结构化语义结果。那么问题来了:这个轻量级模型,真能胜任食物识别与热量估算这种对精度和常识都要求较高的任务吗? 答案或许比我们想象的更乐观。 从架构设计看能力边界 GLM-4.6V-Flash-WEB 并非凭空而来,它是GLM系列在视觉理解方向上的又一次轻量化演进。名字本身就透露了关键信息:“GLM”代表通用语言模型底座,“4.6V

当WebGL遇上跨域:一个二进制数据流的性能优化实验

WebGL跨域纹理加载:二进制数据流方案性能优化实战 在WebGL游戏开发中,纹理加载是影响性能的关键环节之一。当开发者尝试从不同域加载纹理资源时,常常会遇到Failed to execute 'texImage2D'或texSubImage2D的安全错误。这个看似简单的跨域问题背后,隐藏着浏览器安全策略与性能优化的深层博弈。 1. 跨域纹理加载的核心问题解析 WebGL的安全限制源于Canvas的"污染"概念。当尝试使用跨域图像作为纹理时,浏览器会阻止WebGL操作,防止潜在的数据窃取风险。传统解决方案通常围绕CORS(跨域资源共享)展开,但这往往带来额外的性能开销。 关键限制因素: * Tainted canvases错误触发条件:任何跨域图像未经CORS许可直接用于WebGL纹理 * 内存占用差异:不同加载方式对GPU内存的影响可达30%以上 * 主流浏览器对二进制流处理的兼容性差异 实际测试发现,在Chrome 112+版本中,使用Blob加载4K纹理比传统CORS方案节省约18%的内存峰值 2. 二进制数据流方案对比测试 我们针对三种主流传输方式进行

protege+Neo4j+前端可视化知识图谱项目(教育领域)

protege+Neo4j+前端可视化知识图谱项目(教育领域)

声明:自己的学习笔记,仅供交流分享。 注意其中JDK版本的切换! 目录 1、工具下载 1.1protege的安装 1.2Neo4j的安装 2、Neo4j导入protege文件 2.1启动Neo4j 2.2protege导出owl文件转turtle文件 2.3导入Neo4j 1. 清除数据库中的所有数据 2. 初始化 RDF 导入配置 3. 导入 RDF 数据 4.查询所有(部分)数据 5.查询边关系 6.一些细节 3、Neo4j导出JSON文件 4、可视化前的操作 4.1利用python对数据进行处理 4.2学习VUE&Echarts 1、工具下载 1.

(附源码)基于web的电影院管理系统-计算机毕设 23653

(附源码)基于web的电影院管理系统-计算机毕设 23653

基于web的电影院管理系统 摘 要 本研究精心打造了一款基于Web的电影院管理系统,其核心架构依托于Spring Boot框架与Java语言的深度融合,借助MySQL数据库的强大功能,实现了数据的高效存储与精准管理。该系统巧妙地围绕用户、员工、管理员这三类关键角色进行设计,通过精细的架构规划与严格的权限管控,确保了不同角色在系统中的高效协作以及数据的安全流通。系统的设计初衷在于全方位提升电影院的运营效率,同时为用户提供更加便捷、愉悦的观影体验。在实际应用中,该系统能够有效整合电影院的各项业务流程,实现从电影信息、影票管理到会员服务等环节的数字化、自动化与智能化管理。这一创新成果不仅为电影院的数字化转型提供了坚实的技术支撑,还凭借其卓越的性能和广泛的适用性,展现出巨大的应用潜力和推广价值。未来,该系统有望在电影行业信息化建设中扮演重要角色,引领电影院运营模式的革新与发展,为电影产业的繁荣注入新的活力。 关键词:电影院管理系统;SpringBoot框架;Java语言; Abstract This study has carefully developed a web-