机器人奇异点分析工具

[1️⃣ MATLAB Robotics System Toolbox（最稳最省事版本）](#1️⃣ MATLAB Robotics System Toolbox（最稳最省事版本）)
- [1. 获取方式（安装）](#1. 获取方式（安装）)
- [2. 验证是否安装成功](#2. 验证是否安装成功)
- [3. 是否能正常使用（最小测试）](#3. 是否能正常使用（最小测试）)
- [4. 导入自己的 URDF（核心步骤）](#4. 导入自己的 URDF（核心步骤）)
- [5. Jacobian 自动计算](#5. Jacobian 自动计算)
- [6. 奇异性分析（最常用）](#6. 奇异性分析（最常用）)
- [7. manipulability（推荐一起用）](#7. manipulability（推荐一起用）)
- [8. 一步到位：完整流程（建议直接用）](#8. 一步到位：完整流程（建议直接用）)
- [9. MATLAB 这一套的优点（为什么推荐）](#9. MATLAB 这一套的优点（为什么推荐）)
- [10. 适合什么阶段](#10. 适合什么阶段)
- [11. 一句话总结](#11. 一句话总结)
[2️⃣ Robotics Toolbox for Python](#2️⃣ Robotics Toolbox for Python)
- [1. 获取方式（安装）](#1. 获取方式（安装）)
- [2. 验证是否安装成功](#2. 验证是否安装成功)
- [3. 是否能正常使用（最小测试）](#3. 是否能正常使用（最小测试）)
- [4. 奇异性分析](#4. 奇异性分析)
- [5. 特点总结](#5. 特点总结)
[3️⃣ Pinocchio（强烈推荐，下一篇重点讲）](#3️⃣ Pinocchio（强烈推荐，下一篇重点讲）)
- [1. 获取方式（安装）](#1. 获取方式（安装）)
- [2. 验证是否安装成功](#2. 验证是否安装成功)
- [3. 是否能正常使用（最小测试）](#3. 是否能正常使用（最小测试）)
- [4. URDF 导入](#4. URDF 导入)
- [5. Jacobian 计算](#5. Jacobian 计算)
- [6. 奇异性分析](#6. 奇异性分析)
- [7. 特点总结](#7. 特点总结)
[4️⃣ Drake（MIT）](#4️⃣ Drake（MIT）)
- [1. 获取方式](#1. 获取方式)
- [2. 验证是否安装成功](#2. 验证是否安装成功)
- [3. 是否能正常使用](#3. 是否能正常使用)
- [4. URDF 导入](#4. URDF 导入)
- [5. Jacobian](#5. Jacobian)
- [6. 奇异性分析](#6. 奇异性分析)
- [7. 特点总结](#7. 特点总结)
[5️⃣ CasADi / SymPy（符号级工具）](#5️⃣ CasADi / SymPy（符号级工具）)
- [1. 获取方式](#1. 获取方式)
- [2. 验证是否安装成功](#2. 验证是否安装成功)
- [3. 最小测试](#3. 最小测试)
- [4. 奇异性解析](#4. 奇异性解析)
- [5. 特点总结](#5. 特点总结)
总结

以下内容GPT生成

我希望实现

输入：关节拓扑 + 连杆长度（URDF/DH）→ 自动生成：Jacobian + 奇异性分析。

1️⃣ MATLAB Robotics System Toolbox（最稳最省事版本）

如果你只是想实现：

👉 输入 URDF / DH

👉 自动得到 Jacobian

👉 顺便做奇异性分析

那么 MATLAB 是目前最省心、最少踩坑的方案。

1. 获取方式（安装）

MATLAB 自带工具箱（非开源，需要授权）

打开 MATLAB：

复制代码

roboticsAddons

搜索：

复制代码

Robotics System Toolbox

点击安装即可

2. 验证是否安装成功

方法一：

复制代码

ver('robotics')

如果返回类似：

复制代码

Robotics System Toolbox

👉 说明安装成功

方法二（更直接）：

复制代码

which geometricJacobian

👉 能找到函数路径 = OK

3. 是否能正常使用（最小测试）

直接跑一个最简单模型：

复制代码

robot = loadrobot('kinovaGen3');

q = homeConfiguration(robot);

J = geometricJacobian(robot, q, 'EndEffector');

disp(J)

👉 能输出矩阵 = Jacobian 正常

4. 导入自己的 URDF（核心步骤）

复制代码

robot = importrobot('humanoid.urdf');

show(robot)

👉 如果能正常显示模型 ⇒ URDF 没问题

5. Jacobian 自动计算

复制代码

q = homeConfiguration(robot);

J = geometricJacobian(robot, q, 'foot');

disp(J)

6. 奇异性分析（最常用）

复制代码

[U,S,V] = svd(J);

sigma_min = min(diag(S));

disp(sigma_min)

👉 越接近 0 ⇒ 越接近奇异

7. manipulability（推荐一起用）

复制代码

w = sqrt(det(J * J'));

disp(w)

👉 w → 0 ⇒ 奇异

8. 一步到位：完整流程（建议直接用）

复制代码

robot = importrobot('humanoid.urdf');

q = homeConfiguration(robot);

J = geometricJacobian(robot, q, 'foot');

[U,S,V] = svd(J);

sigma_min = min(diag(S));

w = sqrt(det(J * J'));

disp(sigma_min)
disp(w)

9. MATLAB 这一套的优点（为什么推荐）

✔ 不用自己推公式

✔ URDF 直接导入

✔ 自带可视化

✔ 几乎不会踩坑

10. 适合什么阶段

复制代码

✔ 初期结构验证
✔ Jacobian正确性检查
✔ 奇异性快速判断

11. 一句话总结

👉 MATLAB = "最省脑子的 Jacobian + 奇异性分析工具"

2️⃣ Robotics Toolbox for Python

如果你不想被 MATLAB 环境绑定，或者希望后续和 RL / 仿真（PyTorch / Mujoco / Isaac）打通，推荐使用：

👉 Robotics Toolbox for Python（Peter Corke）

1. 获取方式（安装）

官方 GitHub：

https://github.com/petercorke/robotics-toolbox-python

安装：

复制代码

pip install roboticstoolbox-python

2. 验证是否安装成功

复制代码

import roboticstoolbox as rtb
print(rtb.__version__)

输出版本号 ⇒ 安装成功

3. 是否能正常使用（最小测试）

复制代码

import roboticstoolbox as rtb

robot = rtb.models.DH.Puma560()
q = robot.qz
J = robot.jacob0(q)

print(J)

输出矩阵 ⇒ Jacobian 正常

4. 奇异性分析

复制代码

import numpy as np

U, S, V = np.linalg.svd(J)
print("sigma_min:", np.min(S))

5. 特点总结

✔ Python生态（可接RL）

✔ 上手简单

✔ 适合快速验证

3️⃣ Pinocchio（强烈推荐，下一篇重点讲）

👉 humanoid / legged robot 主流工具

1. 获取方式（安装）

官方 GitHub：

https://github.com/stack-of-tasks/pinocchio

官方文档：

https://stack-of-tasks.github.io/pinocchio/

推荐安装：

复制代码

conda install -c conda-forge pinocchio

2. 验证是否安装成功

复制代码

import pinocchio as pin
print(pin.__version__)

输出版本号 ⇒ 成功

3. 是否能正常使用（最小测试）

复制代码

import pinocchio as pin

model = pin.buildSampleModelManipulator()
data = model.createData()

q = pin.neutral(model)

pin.computeJointJacobians(model, data, q)

print("OK")

4. URDF 导入

复制代码

import pinocchio as pin

model = pin.buildModelFromUrdf("humanoid.urdf")
data = model.createData()

print(model.nq)

5. Jacobian 计算

复制代码

frame_id = model.getFrameId("foot")

J = pin.computeFrameJacobian(
    model,
    data,
    q,
    frame_id,
    pin.ReferenceFrame.LOCAL
)

print(J)

6. 奇异性分析

复制代码

import numpy as np

U, S, V = np.linalg.svd(J)
print("sigma_min:", np.min(S))

7. 特点总结

✔ 解析 Jacobian

✔ 支持 URDF

✔ humanoid 主流工具

4️⃣ Drake（MIT）

👉 系统级动力学工具

1. 获取方式

官网：

https://drake.mit.edu/

安装：

复制代码

pip install drake

2. 验证是否安装成功

复制代码

import pydrake
print("Drake loaded")

3. 是否能正常使用

复制代码

from pydrake.all import MultibodyPlant, Parser

plant = MultibodyPlant(time_step=0.0)
parser = Parser(plant)

print("OK")

4. URDF 导入

复制代码

from pydrake.all import MultibodyPlant, Parser

plant = MultibodyPlant(time_step=0.0)
parser = Parser(plant)

parser.AddModelFromFile("humanoid.urdf")

plant.Finalize()

5. Jacobian

复制代码

plant.CalcJacobianSpatialVelocity(...)

6. 奇异性分析

复制代码

import numpy as np

U, S, V = np.linalg.svd(J)

7. 特点总结

✔ 强动力学

✔ 支持接触

✔ 适合 humanoid

5️⃣ CasADi / SymPy（符号级工具）

👉 用于解析 Jacobian

1. 获取方式

官网：

https://web.casadi.org/

安装：

复制代码

pip install casadi

2. 验证是否安装成功

复制代码

import casadi as ca
print(ca.__version__)

3. 最小测试

复制代码

import casadi as ca

q = ca.SX.sym('q', 2)

x = ca.vertcat(
    ca.cos(q[0]) + ca.cos(q[0]+q[1]),
    ca.sin(q[0]) + ca.sin(q[0]+q[1])
)

J = ca.jacobian(x, q)

print(J)

4. 奇异性解析

复制代码

detJ = ca.det(J)
print(detJ)

5. 特点总结

✔ 符号推导

✔ 自动微分

✔ 适合论文

总结

复制代码

MATLAB → 快速验证
RTB-Python → 轻量分析
Pinocchio → 主力工具
Drake → 系统级
CasADi → 理论推导