机器人--dh参数

为什么需要D-H参数法?

1. 核心问题:

机器人由多个连杆通过关节(转动或移动)串联而成。要描述末端执行器的tcp/空间中的一个点相对于基座的位置和姿态,需要知道所有相邻连杆之间的变换关系,并将这些变换串联起来,有了某个点相对于flange的pose,再有相邻关节之间的变换关系,即变换矩阵,才能将这个点的pose转换到基坐标系下。

关键挑战: 如何系统、标准、简洁地为每个连杆建立坐标系,并定义它们之间的变换?

2. 解决方案:D-H参数法

Denavit和Hartenberg于1955年提出了一种标准方法(D-H参数法)。

核心思想: 该方法仅通过四个参数 (a, α, d, θ),就能完全描述相邻两个连杆坐标系之间的相对位姿(包括平移和旋转)。

dh参数

DH参数法最早是Jacques Denavit与Richard Hartenberg在1955年提出的。

DH参数(Denavit-Hartenberg参数) 是描述机器人连杆之间几何关系运动关系 的一套标准化方法,用于建立机器人的运动学模型。它通过一套统一的规则,将复杂的机器人结构转化为数学模型,是机器人运动学分析的基础。

DH参数使用4个参数来表达相邻关节坐标系之间的相对位姿。

DH参数有哪些

DH参数使用4个参数来表达相邻关节坐标系之间的相对位姿。

D-H 参数中的四个关键参数是:

  1. 连杆长度 (a)

    • 沿 X 轴方向,两个相邻关节轴(Z 轴)之间的公垂线长度。

    • 它描述了两个连杆之间的水平距离

  2. 连杆扭角 (α)

    • 两个相邻关节轴(Z 轴)之间的扭转角,绕 X 轴旋转使 Z 轴对齐。

    • 通常是由于关节轴不平行而产生的角度。

  3. 关节距离 (d)

    • 沿 Z 轴方向,相邻两个连杆的 X 轴之间的垂直偏移

    • 对于平移关节,d 是变量;对于旋转关节,d 通常是常数。

  4. 关节角度 (θ)

    • 绕 Z 轴旋转,使相邻两个连杆的 X 轴对齐所需的角度。

    • 对于旋转关节,θ 是变量;对于平移关节,θ 通常是常数。


记忆口诀:

  • 长度 a:X 方向的距离。

  • 扭角 α:绕 X 轴的旋转角度。

  • 距离 d:Z 方向的偏移。

  • 角度 θ:绕 Z 轴的旋转角度。

这四个参数完整描述了机器人相邻连杆之间的相对位置和姿态关系,是机器人运动学建模的基础。

这四个参数是如何描述关节之间的变换关系的

目的就是通过这四个参数实现:

将连杆 i-1 的坐标系 {i-1},变换到连杆 i 的坐标系 {i}

也就是获取

结论:

通过使用这四个参数,就可以通过旋转+平移,将一个坐标系旋转平移到另一个坐标系,从而得出两个关节坐标系之间的变换关系。

标准惯例(从基座到末端递增)

  1. 基座 被定义为连杆 0

  2. 第一个可动的关节关节 1

  3. 第一个可动的连杆连杆 1(它由关节 1 驱动)。

  4. 依此类推:关节 i 连接着连杆 i-1连杆 i

  5. 末端执行器附着在最后的连杆 n 上。

所以,参数 a_{i-1}α_{i-1} 中的下标 i-1,指的是"前一个"连杆的编号。

教程

教程1

相关推荐
传说故事8 小时前
【论文阅读】RoboAgent: 通过语义增强和动作分块实现机器人操作的泛化与效率
论文阅读·机器人·agent
小熊猫程序猿11 小时前
Datawhale 具身智能基础与机器人控制(一)
机器人
qcx2311 小时前
【人形机器人产业入门】06 人形机器人触觉传感器自研vs外购:Figure 03 自研背后的产业逻辑与 10 家整机厂概率推演
人工智能·机器人
视***间12 小时前
视程空间AIR系列——小体积藏强芯,赋能机器人/机器狗全域落地
大数据·人工智能·机器人·机器狗·ai算力·视程空间
才兄说13 小时前
机器人二次开发机器狗巡检?全区域路径覆盖
机器人
Deepoch15 小时前
Deepoc 具身智能开发板,让农业机器人更聪明好用
人工智能·机器人·具身模型·deepoc·采摘
BFT白芙堂15 小时前
【买机器人,上BFT】基于 LoHo-Manip 框架的 Franka Research3 机械臂长程操作研究
人工智能·学习·机器人·研究·具身智能·franka·loho-manip 框架
波诺波15 小时前
机器人运动学-空间表示与变换
机器人
kyle~15 小时前
机器人感知 --- 多相机传感时间误差分析
linux·c++·数码相机·机器人·ros2·传感器
xwz小王子15 小时前
SkiP:让模仿学习学会“快进“——动作重标记如何在不改架构的情况下削减机器人 15-40% 的执行步数
学习·架构·机器人