机器人

引言：当机器人遇上几何 想象你正在操控一台工业机械臂。你输入一个目标位置，机械臂的末端执行器精准地移动到那里。这看似简单的动作背后，蕴含着深刻的数学原理。 一个基本问题：如何描述机械臂的姿态？ 如果你说"用坐标 $(x, y, z)$ 表示位置，用三个角度表示方向"，这没错。但当你尝试在两个姿态之间插值时，问题出现了——简单的线性插值可能导致中间姿态根本不是有效的旋转！ 这就是流形约束的体现：机器人的姿态空间不是一个简单的欧几里得空间，而是一个弯曲的流形。 从欧几里得到黎曼 古希腊人认为空间是平坦的。欧几里得几何告诉我们：平行线永不相交，三角形内角和恒为 $180^{\circ}$。 但 $19$ 世纪的数学家们发现，空间可以是弯曲的。高斯研究曲面，黎曼将这一理论推广到任意维度——黎曼几何诞生了。 $20$ 世纪，这些抽象理论找到了惊人应用： 爱因斯坦用黎曼几何描述引力（广义相对论） 工程师用微分几何控制机器人 计算机科学家用流形学习理解高维数据 本文将系统梳理微分几何在机器人学中的应用，从理论基础到现代实践，带你领略这门数学如何赋能智能机器。 第一章：李群与李代数——描述运动的数学语言 1.1 刚体运动的困境 在三维空间中，刚体的位姿（位置和方向）需要几个参数描述？ 位置：$3$ 个参数 $(x, y, z)$ 方向：至少需要 $3$ 个参数（如欧拉角） 欧拉角的陷阱：经典的万向节锁（Gimbal Lock）问题——当俯仰角为 $90^{\circ}$ 时，偏航和滚转失去独立意义。这说明用欧拉角表示旋转存在本质缺陷。 更优雅的选择是旋转矩阵：一个 $3 \times 3$ 的正交矩阵 $R$，满足 $R^T R = I$ 且 $\det(R) = 1$。 所有这样的矩阵构成特殊正交群 $\text{SO}(3)$（Special Orthogonal Group）。 1.2 李群的引入 李群（Lie Group）是一种特殊的数学结构，它同时具有两种性质： 群结构：可以定义乘法（旋转的合成）和逆元（反向旋转） 流形结构：局部看起来像欧几里得空间，可以定义微积分 $\text{SO}(3)$ 就是一个李群。类似的，描述刚体完整位姿（旋转 $+$ 平移）的特殊欧几里得群 $\text{SE}(3)$ 也是李群。 $$T = \begin{pmatrix} R & \mathbf{t} \ \mathbf{0}^T & 1 \end{pmatrix} \in \text{SE}(3)$$ ...