雅可比矩阵的不同算法及其区别
这种区别仅靠看论文和课本是很难发现的,但是在用代码实现时却很容易掉进“坑”里。好在我替大家踩了。
对于雅可比矩阵的算法,本文涉及了两种方法。
首先分别列出两种算法的计算公式和对应的Mathematica代码。
齐次分析其异同点和对机械臂运动学的影响。
方法一
机器人动力学与控制-霍伟
[vnωn]=[b1...bnc1...cn]q˙=Jq˙\begin{bmatrix} v_n \\ \omega_n \end{bmatrix} =\begin{bmatrix} b_1&...& b_n\\ c_1&...&c_n \end{bmatrix} \dot{q} =J\dot{q}[vnωn]=[b1c1......bncn]q˙=Jq˙
bi=zi−1×(pn−pi−1)b_i= z_{i-1}\times(p_n-p_{i-1})bi=zi−1×(pn−pi−1)
ci=zi−1c_i=z_{i-1}ci=zi−1
pnp_npn:坐标系n的原点在坐标系0中表示的位置向量
zi−1z_{i-1}zi−1:坐标系i-1的z轴在坐标系0中的表示
下面代码以两自由度机械臂为例
T01 = {{Cos [Subscript[\[Theta], 1]], -Sin[Subscript[\[Theta], 1]], 0,a1 Cos [Subscript[\[Theta], 1]]}, {Sin[Subscript[\[Theta], 1]], Cos [Subscript[\[Theta], 1]], 0, a1 Sin[Subscript[\[Theta], 1]]}, {0, 0, 1, 0}, {0, 0, 0, 1}};
T12 = {{Cos [Subscript[\[Theta], 2]], -Sin[Subscript[\[Theta], 2]], 0,a2 Cos [Subscript[\[Theta], 2]]}, {Sin[Subscript[\[Theta], 2]], Cos [Subscript[\[Theta], 2]], 0, a2 Sin[Subscript[\[Theta], 2]]}, {0, 0, 1, 0}, {0, 0, 0, 1}};
T02 = T01.T12;
R01 = Table[T01[[i, j]], {i, 3}, {j, 3}];
qd1={0, 0.2969, 0.9383, 1.6163, 2.1112, 2.2907, 2.1112, 1.61634942, 0.9383, 0.2969, 0};
qd2={0,-0.1484,-0.4691,-0.8082,-1.0556,-1.1454,-1.0556,-0.8081747,-0.4691,-0.1484, 0};
times = 8;
Subscript[\[Theta], 1] = q1[[times]]; Subscript[\[Theta], 2] = q2[[times]];
a1 = 2; a2 = 1;
p1sta = {2, 0, 0}; p2sta = {1, 0, 0};
(*初始化完毕*)
(******************************************************)z00 = {0, 0, 1};
z01 = R01.{0, 0, 1};p2 = Table[T02[[i, 4]], {i, 3}];
p1 =Table[T01[[i, 4]], {i, 3}];
p0 = {0, 0, 0}; b1 = z00\[Cross](p2 - p0);
c1 = {0, 0, 1};
b2 = z01\[Cross](p2 - p1);
c2 = R01.{0, 0, 1};
j1 = Join[jb1, jc1, 1]; MatrixForm[j1];
j2 = Join[jb2, jc2, 1]; MatrixForm[j2];
jacobian = {j1, j2}; Print["雅可比矩阵 J=" MatrixForm[Transpose[jacobian]]]
计算结果:
雅可比矩阵 J=
(
-2.19608 -0.489264
1.91462 0.872136
0. 0.
0 0.
0 0.
1 1.)
使用上述雅可比矩阵中进行正向速度求解:
endVol = Transpose[jacobian].{qd1[[times]], qd2[[times]]};
Print["在绝对坐标系表示 endVol=", endVol];
结果
在绝对坐标系表示 endVol={-3.15422,2.38986,0.,0.,0.,0.808175}
这个结果说明通过上述雅可比矩阵进行正向速度计算,得到的末端速度是在坐标系0中表示的。
当然我们可以用旋转矩阵 R20R_2^0R20 ,转换到末端坐标系中表示。
至此方法一介绍完毕。
方法二
Efficient Computation of the Jacobian for Robot Manipulators
与方法一类似,只是用来迭代的形式计算,这样计算量比较小。
TN+1N+1=IT_{N+1}^{N+1}=ITN+1N+1=I
TN+1i−1=Tii−1TN+1iT_{N+1}^{i-1}=T_{i}^{i-1} T_{N+1}^{i}TN+1i−1=Tii−1TN+1i
ciN+1=Ri−1N+1[001]c_{i}^{N+1}=R_{i-1}^{N+1} \begin{bmatrix} 0\\ 0\\ 1 \end{bmatrix}ciN+1=Ri−1N+1001
N+1bij=−(i−1RN+1j×i−1ri−1)T[001]j=1,2,3;i=1,2,...N^{N+1}b_i^{j} = -( ^{i-1}R_{N+1}^{j} \times ^{i-1}r_{i-1} )^T\begin{bmatrix} 0\\ 0\\ 1 \end{bmatrix} j=1,2,3; i=1,2,...NN+1bij=−(i−1RN+1j×i−1ri−1)T001j=1,2,3;i=1,2,...N
Mathematica代码:
T01={{Cos [Subscript[\[Theta], 1]],-Sin[Subscript[\[Theta], 1]],0,a1 Cos [Subscript[\[Theta], 1]]}, {Sin[Subscript[\[Theta], 1]],Cos [Subscript[\[Theta], 1]],0,a1 Sin[Subscript[\[Theta], 1]]}, {0,0,1,0},{0,0,0,1}};
T12={{Cos [Subscript[\[Theta], 2]],-Sin[Subscript[\[Theta], 2]],0,a2 Cos [Subscript[\[Theta], 2]]},{Sin[Subscript[\[Theta], 2]],Cos [Subscript[\[Theta], 2]],0,a2 Sin[Subscript[\[Theta], 2]]},{0,0,1,0},{0,0,0,1}};
T02=T01.T12;
T10=Transpose[T01];T21=Transpose[T12];
R01=Table[T01[[i,j]],{i,3},{j,3}];
R12=Table[T12[[i,j]],{i,3},{j,3}];
R02=Table[T02[[i,j]],{i,3},{j,3}];
R10=Table[T10[[i,j]],{i,3},{j,3}];
R21=Table[T21[[i,j]],{i,3},{j,3}];
r00=Table[T02[[i,4]],{i,3}];MatrixForm[r00];(*(\[InvisiblePrefixScriptBase]^(i-1))Subscript[r, i-1];i=1 from (\[InvisiblePrefixScriptBase]^(i-1))Subscript[T, N+1]*)
r11=Table[T12[[i,4]],{i,3}];MatrixForm[r11];(*(\[InvisiblePrefixScriptBase]^(i-1))Subscript[r, i-1];i=2 from (\[InvisiblePrefixScriptBase]^(i-1))Subscript[T, N+1]*)
R03=R02;MatrixForm[R03];(*(\[InvisiblePrefixScriptBase]^(i-1))Subscript[U, N+1] ;i=1*)
R031=Table[R02[[i,1]],{i,3}];MatrixForm[R031];(*((\[InvisiblePrefixScriptBase]^(i-1))Subscript[U, N+1])^j;i=1,j=1*)
R032=Table[R02[[i,2]],{i,3}];MatrixForm[R032];(*((\[InvisiblePrefixScriptBase]^(i-1))Subscript[U, N+1])^j;i=1,j=2*)
R13=R12;MatrixForm[R13];(*(\[InvisiblePrefixScriptBase]^(i-1))Subscript[U, N+1] ;i=2*)
R131=Table[R12[[i,1]],{i,3}];MatrixForm[R131];(*((\[InvisiblePrefixScriptBase]^(i-1))Subscript[U, N+1])^j;i=2,j=1*)
R132=Table[R12[[i,2]],{i,3}];MatrixForm[R132];(*((\[InvisiblePrefixScriptBase]^(i-1))Subscript[U, N+1])^j;i=2,j=2*)
qd1={0, 0.2969, 0.9383, 1.6163, 2.1112, 2.2907, 2.1112, 1.61634942, 0.9383, 0.2969, 0};
qd2={0,-0.1484,-0.4691,-0.8082,-1.0556,-1.1454,-1.0556,-0.8081747,-0.4691,-0.1484, 0};
times = 8;
Subscript[\[Theta], 1] = q1[[times]]; Subscript[\[Theta], 2] = q2[[times]];
a1 = 2; a2 = 1;
p1sta = {2, 0, 0}; p2sta = {1, 0, 0};
(*初始化完毕*)
(************************)r={r00,r11};
R={{R031,R032,{0,0,1}},{R131,R132,{0,0,1}}};
c31=Transpose[R03].{0,0,1};
b311=Cross[R[[1,1]],-r[[1]]].{0,0,1};
b312=Cross[R[[1,2]],-r[[1]]].{0,0,1};
c32=Transpose[R13].{0,0,1};
b321=Cross[R[[2,1]],-r[[2]]].{0,0,1};
b322=Cross[R[[2,2]],-r[[2]]].{0,0,1};
jacobian1={{b311,b312,0},{b321,b322,0}};
jacobian=Join[jacobian1,{c31,c32},2];
Print["雅可比矩阵:",MatrixForm[Transpose[jacobian]]];```
计算结果 :
雅可比矩阵:
(
-0.978527 0.
2.74427 1.
0 0
0. 0.
0. 0.
1. 1.)
使用上述雅可比矩阵进行正向速度计算:
endVol=Transpose[jacobian].{qd1[[times]],qd2[[times]]}
结果
{-1.58164, 3.62753, 0., 0., 0., 0.808175}
分析两种方法的异同点
两种方法求得的雅可比矩阵并不相同
法一:
雅可比矩阵 J=
(
-2.19608 -0.489264
1.91462 0.872136
0. 0.
0 0.
0 0.
1 1.
)法二:
雅可比矩阵:
(
-0.978527 0.
2.74427 1.
0 0
0. 0.
0. 0.
1. 1.
)
但是这两种雅可比矩阵中都是正确的,因此得出的结果也不相同:
法一: endVol={-3.15422,2.38986,0.,0.,0.,0.808175}
法二:endVol={-1.58164, 3.62753, 0., 0., 0., 0.808175}
法一得到的末端速度是在坐标系0中表示的,而法二得到的末端速度是在坐标系2(题设为两自由度机械臂)中表示的,实际末端速度向量的模都是一样的。使用旋转矩阵 R20R_2^0R20可以实现这两种表示方法的转换。
搞清楚雅可比矩阵的形式和计算结果形式这一点很重要,因为在进行加速度甚至动力学计算式都需要雅可比矩阵,而进行加速度计算是某些形式的雅可比矩阵无法得出正确的结果。如果贪图计算简洁而用了一些奇怪的方法,就很有肯导致加速度计算失败进而动力学建模失败。我建议还是按照《机器人动力学与控制》里的方法计算雅可比矩阵,这样比较安全些。
雅可比矩阵的不同算法及其区别相关推荐
- 朴素贝叶斯算法和逻辑回归算法的区别?
朴素贝叶斯算法和逻辑回归算法的区别? 1.两种算法的模型不同: Naive Bayes是一个生成模型,在计算P(y|x)之前,先要从训练数据中计算P(x|y)和P(y)的概率,从而利用贝叶斯公式计算P ...
- 从 活动选择问题 看动态规划和贪心算法的区别与联系
这篇文章主要用来记录我对<算法导论> 贪心算法一章中的"活动选择问题"的动态规划求解和贪心算法求解 的思路和理解. 主要涉及到以下几个方面的内容: ①什么是活动选择问题 ...
- (转)动态规划和贪心算法的区别
(转自)http://hi.baidu.com/35661327/blog/item/d5463e17f1e8d011972b439c.html 动态规划和贪心算法的区别 2009-07-27 13: ...
- yolo和以往算法的区别/yolo为什么叫yolo
yolov3官网: YOLO: Real-Time Object Detection 在算法流程上,yolo和以往算法的区别,以往算法需要先滚一遍图片,看看有没有物体,然后再滚一遍有物体的区域,看看是 ...
- KNN算法和Kernel KNN算法的区别
KNN算法和Kernel KNN算法的区别 KNN算法 KNN(K-Nearest Neighbor,简称KNN)算法,是一种常用的监督学习方法,其工作机制为:给定测试样本,基于某种距离度量找出训练集 ...
- Dijkstra算法、Floyd算法的区别与联系,并由此谈到greedy和DP
首先,Dijkstra算法与Floyd算法都是广度优先搜索的算法.都可以用来求单源点到其他所有点的最短路径.那么这两者的原理分别是怎样?彼此又有什么区别呢? 求此有向图中起点1到其他所有点的最短距离 ...
- 详解五种最短路径算法及其区别(c++)
目录 一.朴素Dijkstra算法 二.堆优化的Dijkstra 三.bellman_ford算法 四.spfa算法 五.floyd算法 使用区别: 所有边权都是正数的单源最短路:朴素Dijkstra ...
- 限流——漏桶算法和令牌桶算法的区别
文章目录 限流 漏桶算法 令牌桶算法 漏桶算法和令牌桶算法的区别 时间窗口 时间窗口和令牌桶优缺点 限流 在开发高并发系统时有三把利器用来保护系统:缓存.降级和限流 缓存:缓存的目的是提升系统访问速度 ...
- 分治算法,动态规划算法和贪心算法的区别和联系
分治算法,动态规划算法和贪心算法的区别和联系 (一)分治算法 分治算法为什么叫分治算法? 分治这个名字可以分成两部: 第一部分是分,表示把一个原问题分解成很多个小问题,逐个解决; 第二部分是治, 表示 ...
最新文章
- 第四章 遗传变异的分类
- 解决第一个div浮动,后面div覆盖的问题
- ubuntu 配置dns访问外网
- python列表的append和extend
- map怎么转化dto_java实现Object和Map之间的转换3种方式
- angular 图片引入_推荐一个 angular 图像加载插件
- 3Sum探讨(Java)
- 用linux命令通常做什么,如何知道你在 Linux 里最常使用的几个命令?
- $动态规划系列(2)——找零钱问题
- Docker学习二:Docker镜像与容器
- 人社部《劳动合同》通用范本模板
- cad命令栏还原默认_cad命令栏怎么还原
【设置办法】
- express 内存溢出问题分析定位
- Mybatis“四大神兽”
- 史上最全的 SQL 注入资料,收藏不谢
- 51CTO学院周年庆开始了!
- 真的!!!两行css代码实现瀑布流,html,css最简单的瀑布流实现方式且没有缺点!...
- 编程学习中的一些错误认识【摘自如鹏网】
- JWT整合springboot 自定义定时更换秘钥
- 补齐AI人才短板!百度飞桨师资培训高校行走进天津大学