Skip to content

机器人数学基础

欢迎学习机器人数学基础！本模块将系统地讲解机器人学所需的所有数学知识，从基础的线性代数到高级的优化控制理论。

为什么需要数学？

┌─────────────────────────────────────────────────────────────┐
│                机器人学中的数学应用                           │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐     │
│  │  运动学     │    │  动力学     │    │  控制       │     │
│  │  (位置/姿态)│    │  (力/力矩)  │    │  (稳定性)   │     │
│  └──────┬──────┘    └──────┬──────┘    └──────┬──────┘     │
│         │                  │                  │             │
│         ▼                  ▼                  ▼             │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐     │
│  │  线性代数   │    │  微积分     │    │  优化理论   │     │
│  │  (矩阵运算) │    │  (导数/积分)│    │  (最优控制) │     │
│  └─────────────┘    └─────────────┘    └─────────────┘     │
│                                                             │
│  ┌─────────────┐    ┌─────────────┐    ┌─────────────┐     │
│  │  几何学     │    │  概率统计   │    │  数值计算   │     │
│  │  (空间变换) │    │  (不确定性) │    │  (算法实现) │     │
│  └─────────────┘    └─────────────┘    └─────────────┘     │
│                                                             │
└─────────────────────────────────────────────────────────────┘

学习路线图

flowchart TB
    A([开始学习]) --> B[线性代数基础]
    B --> C[微积分基础]
    C --> D[几何与空间变换]
    D --> E[运动学]
    E --> F[动力学]
    F --> G[控制理论]
    G --> H[概率与统计]
    H --> I[优化理论]
    I --> J[数值计算]
    J --> K[机器人应用]

    B -.-> B1[向量与矩阵]
    B -.-> B2[特征值与特征向量]
    B -.-> B3[矩阵分解]

    C -.-> C1[导数与微分]
    C -.-> C2[积分]
    C -.-> C3[微分方程]

    D -.-> D1[坐标系变换]
    D -.-> D2[旋转表示]
    D -.-> D3[齐次变换]

    E -.-> E1[正运动学]
    E -.-> E2[逆运动学]
    E -.-> E3[微分运动学]

    F -.-> F1[拉格朗日力学]
    F -.-> F2[牛顿-欧拉方法]
    F -.-> F3[动力学建模]

    G -.-> G1[经典控制]
    G -.-> G2[现代控制]
    G -.-> G3[非线性控制]

    H -.-> H1[概率论]
    H -.-> H2[统计推断]
    H -.-> H3[贝叶斯方法]

    I -.-> I1[无约束优化]
    I -.-> I2[有约束优化]
    I -.-> I3[最优控制]

    J -.-> J1[数值线性代数]
    J -.-> J2[数值积分]
    J -.-> J3[迭代方法]

课程结构

第一阶段：数学基础（4周）

周次 主题 内容 链接
第1周 线性代数 向量、矩阵、特征值、矩阵分解 线性代数
第2周 微积分 导数、积分、微分方程 [微culus/calculus.md)
第3周 几何学 坐标变换、旋转、齐次变换 几何学
第4周 概率统计 概率论、统计推断、贝叶斯方法 概率统计

第二阶段：机器人运动学（3周）

周次 主题 内容 链接
第5周 正运动学 DH 参数、变换矩阵链 运动学
第6周 逆运动学 解析解、数值解 运动学
第7周 微分运动学 雅可比矩阵、速度映射 运动学

第三阶段：机器人动力学与控制（3周）

周次 主题 内容 链接
第8周 动力学建模 拉格朗日方法、牛顿-欧拉方法 动力学
第9周 控制理论 PID 控制、状态空间方法 控制理论
第10周 高级控制 自适应控制、鲁棒控制 控制理论

第四阶段：高级主题（2周）

周次 主题 内容 链接
第11周 优化理论 无约束/有约束优化、最优控制 优化理论
第12周 数值计算 数值线性代数、迭代方法 数值计算

核心概念速览

1. 线性代数

# 向量运算
import numpy as np

v1 = np.array([1, 2, 3])
v2 = np.array([4, 5, 6])

# 点积
dot_product = np.dot(v1, v2)  # 32

# 叉积
cross_product = np.cross(v1, v2)  # [-3, 6, -3]

# 矩阵运算
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

# 矩阵乘法
C = np.matmul(A, B)

# 特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)

2. 旋转表示

# 旋转矩阵
def rotation_matrix_z(theta):
    """绕 Z 轴旋转"""
    return np.array([
        [np.cos(theta), -np.sin(theta), 0],
        [np.sin(theta),  np.cos(theta), 0],
        [0,              0,             1]
    ])

# 四元数
from scipy.spatial.transform import Rotation

# 创建旋转
r = Rotation.from_euler('z', 45, degrees=True)

# 转换为四元数
quat = r.as_quat()  # [x, y, z, w]

# 转换为旋转矩阵
rot_matrix = r.as_matrix()

3. 齐次变换

def homogeneous_transform(R, p):
    """创建齐次变换矩阵"""
    T = np.eye(4)
    T[:3, :3] = R  # 旋转部分
    T[:3, 3] = p   # 平移部分
    return T

# 示例
R = rotation_matrix_z(np.pi/4)  # 45度旋转
p = np.array([1, 2, 3])         # 平移向量

T = homogeneous_transform(R, p)

4. 运动学

def forward_kinematics_2link(theta1, theta2, l1, l2):
    """2连杆正运动学"""
    x = l1 * np.cos(theta1) + l2 * np.cos(theta1 + theta2)
    y = l1 * np.sin(theta1) + l2 * np.sin(theta1 + theta2)
    return x, y

# 示例
theta1 = np.pi/4  # 45度
theta2 = np.pi/6  # 30度
l1 = 1.0
l2 = 0.8

x, y = forward_kinematics_2link(theta1, theta2, l1, l2)

5. 雅可比矩阵

def jacobian_2link(theta1, theta2, l1, l2):
    """2连杆雅可比矩阵"""
    J = np.array([
        [-l1*np.sin(theta1) - l2*np.sin(theta1+theta2), 
         -l2*np.sin(theta1+theta2)],
        [l1*np.cos(theta1) + l2*np.cos(theta1+theta2),  
         l2*np.cos(theta1+theta2)]
    ])
    return J

# 计算雅可比矩阵
J = jacobian_2link(theta1, theta2, l1, l2)

# 计算末端速度
joint_velocities = np.array([0.1, 0.2])  # 关节速度
end_effector_vel = J @ joint_velocities   # 末端速度

6. 动力学

def lagrangian_kinetic_energy(m, v):
    """动能"""
    return 0.5 * m * np.dot(v, v)

def lagrangian_potential_energy(m, g, h):
    """势能"""
    return m * g * h

def lagrangian(T, V):
    """拉格朗日量"""
    return T - V

7. 控制理论

class PIDController:
    def __init__(self, Kp, Ki, Kd):
        self.Kp = Kp
        self.Ki = Ki
        self.Kd = Kd
        self.integral = 0
        self.prev_error = 0

    def update(self, error, dt):
        """PID 控制更新"""
        # 比例项
        P = self.Kp * error

        # 积分项
        self.integral += error * dt
        I = self.Ki * self.integral

        # 微分项
        derivative = (error - self.prev_error) / dt
        D = self.Kd * derivative

        # 更新误差
        self.prev_error = error

        # 返回控制输出
        return P + I + D

8. 概率与统计

import numpy as np
from scipy import stats

# 高斯分布
mu = 0      # 均值
sigma = 1   # 标准差

# 概率密度函数
x = np.linspace(-3, 3, 100)
pdf = stats.norm.pdf(x, mu, sigma)

# 采样
samples = np.random.normal(mu, sigma, 1000)

# 贝叶斯更新
def bayesian_update(prior, likelihood, evidence):
    """贝叶斯更新"""
    return (likelihood * prior) / evidence

学习建议

1. 循序渐进

基础 → 进阶 → 应用
  │       │       │
  ▼       ▼       ▼
线性代数 → 运动学 → 控制
微积分 → 动力学 → 优化
几何学 → SLAM → 导航

2. 理论与实践结合

# 理论学习
# 1. 理解数学公式
# 2. 推导证明
# 3. 理解物理意义

# 实践应用
# 1. Python 实现
# 2. ROS 集成
# 3. 仿真验证

3. 可视化理解

import matplotlib.pyplot as plt

# 绘制旋转
theta = np.linspace(0, 2*np.pi, 100)
x = np.cos(theta)
y = np.sin(theta)

plt.figure(figsize=(8, 8))
plt.plot(x, y, 'b-', linewidth=2)
plt.plot([0, 1], [0, 0], 'r-', linewidth=2, label='Original')
plt.plot([0, np.cos(np.pi/4)], [0, np.sin(np.pi/4)], 'g-', 
         linewidth=2, label='Rotated 45°')
plt.axis('equal')
plt.legend()
plt.grid(True)
plt.title('Rotation Visualization')
plt.show()

参考资源

教材

  1. Linear Algebra and Its Applications - Gilbert Strang
  2. Introduction to Robotics - John J. Craig
  3. Robotics: Modelling, Planning and Control - Bruno Siciliano
  4. Modern Control Systems - Richard C. Dorf

在线课程

  1. MIT 18.06 Linear Algebra
  2. Stanford CS229 Machine Learning
  3. Coursera Robotics Specialization

工具

  1. NumPy - 数值计算
  2. SciPy - 科学计算
  3. Matplotlib - 可视化
  4. SymPy - 符号计算

下一步

选择一个主题开始学习：

线性代数 微积分 几何学 概率统计

← 返回首页

Robotics Curriculum

Robotics Course Docs

A bilingual robotics learning site covering ROS, perception, planning, simulation, manipulation, and deployment.

Learn

Environment Setup Robotics Basics ROS

Build

Simulation Planning Deployment

Community

GitHub Bilibili Issues

Robotics course docs for learners, makers, and researchers.

© 2026 Ling Shaobin. All Rights Reserved.

备案图标 粤公网安备44010602015719号