12 机器人学基础 · 运动学与遥操作控制
返回 00 - 项目总览与学习路线 ｜ 前置 11 机器人学基础 - 坐标系与位姿变换
为什么学这个（项目关联）
原文”未来展望”第 4 条指出了把 UMI/控制器数据用于机器人控制时的核心矛盾：
“对于自由浮动控制器，标准 6-DOF IK 求解器输出的控制感受并不自然……人类手腕的物理位置和机器人腕关节并不重合。该物理偏移量在遥操作做相对运动时影响不大，但在世界坐标系下重建绝对位姿时会带来问题。”
理解 FK/IK 与遥操作映射策略，才能明白：为什么数据采集姿态要贴近机器人、为什么手腕旋转偏差会污染训练数据。
知识点清单
核心
- 正运动学 FK：关节角 → 末端位姿（D-H 参数法，了解即可）
- 逆运动学 IK：末端位姿 → 关节角
- 解析解（存在条件）vs 数值解（雅可比伪逆、优化法）
- 多解性、奇异位形（靠近奇异点关节速度爆炸）
- 遥操作的两种映射：
- 绝对位姿映射：控制器全局位姿 → 末端全局位姿（问题：人手腕 ≠ 机器人腕，偏移直接进误差；工作空间不匹配）
- 相对运动/增量映射：控制器的速度/增量 → 末端增量（偏移影响小，但会漂移、需要 workspace clamping）
- 手腕位置与夹爪姿态解耦（Aurel Arnold《Control that feels natural》）：分别控制腕点位置和末端朝向，符合直觉
- 腕部物理偏移的误差传播：绝对重建时
error = R_err × lever_arm（与力臂效应同源）
进阶
- 6-DOF IK 数值解在边界/不可达目标附近的抖动行为（体感”不自然”的根源）
- 遥操作系统分类：刚性主从、同构/异构映射、VR 漫游式（TeleMoMa、AnyTeleop 类）
- 非刚性末端执行器与”数据本体匹配”：为什么遥操作数据 embodiment 匹配最好
学习资源
| 资源 | 用途 |
|---|---|
| Modern Robotics 第 4-6 章（FK/IK） | 系统学习 |
| Aurel Arnold 博客 “Control that feels natural” | 原文直接引用，必读 |
| 检索 “teleoperation VR robot control mapping” | 扩展视野 |
实践任务
- 💻 用 Python 写 2-link 平面臂 IK（解析解），画出工作空间
- 💻 数值 IK 体验：用 scipy.optimize 对同一臂做优化 IK，观察目标不可达时解的行为（抖动/发散）
- ✍️ 分析记录：拿手机模拟”控制器”，手比划遥操作，体会手腕旋转与夹爪闭合的耦合（原文”非主观手腕旋转”问题）
- ✍️ 写半页：绝对映射 vs 增量映射各适合什么场景；UMI 属于哪种（提示：UMI 采集的是世界系绝对轨迹，所以标定必须准）
掌握标准（自测）
- 能解释 FK/IK 定义及数值 IK 的病态情形
- 能说出绝对映射 vs 增量映射的优劣与原文观点的对应关系
- 能解释”人手腕与机器人腕不重合”为什么在绝对位姿重建时是问题、增量运动时影响小
- 能提出 1-2 个缓解”闭合夹爪带动手腕旋转”的方案（原文方案：改手部支撑座）
关联笔记
- 前置：11 机器人学基础 - 坐标系与位姿变换
- 数据侧应用：13 UMI 范式与相关研究、14 模仿学习 - ACT 与 Diffusion Policy
- 原文对应章节：01 - 原文存档 - Dream-UMI 开发手记 “未来展望”部分
实践记录
（学习时在这里追加：日期 / 做了什么 / 踩坑 / 疑问）