《Python机器人基础原理》第七篇：码垛现场——输入修改连杆D-H偏移参数，观察参数扰动对机械臂末端位置产生的偏移量

 

1. 实际工业应用场景

 

周三夜班，某电商物流分拣中心的码垛工作站。

 

"又掉了一箱。"夜班班长老李捡起掉在地上的快递纸箱，掸了掸灰，重新码回托盘。这一小时已经掉了4箱。

 

这条线用一台4轴码垛机器人把分拣好的纸箱从传送带抓起，按3×4×2的垛型码到托盘上。节拍要求3.0 s/箱。机器人末端装了一个真空吸盘阵列，吸盘平面与法兰面平行。

 

"你标定过了吗？"老李问站在示教器旁边的调试员小周。

 

"标了。四点法标了TCP，基座标也是用三点法标的。"

 

"那为什么每次抓第三层的时候就开始偏？第一层第二层都准，到了第三层吸盘就往后仰，箱子放上去重心不稳。"

 

小周翻出参数表："D-H参数用的是厂家给的默认值。a₂=0.40 m, a₃=0.35 m, d₁=0.85 m, α₂=π/2。会不会是手册值跟实际有偏差？"

 

"手册值是理论值。这台机器装了三年了，大臂连杆换过一次——上次撞了托盘，换的新连杆，不光长度可能变了，安装面的平行度也可能偏了，导致俯仰轴跟基座标不垂直。"

 

"我一般直接上示教器手动补偿。"

 

"手动补偿能解决当前垛型，换一个垛型又偏了。你给我写一个离线工具——我输入D-H参数的偏移量，你告诉我末端位置偏移多少。我要看到灵敏度数据，知道哪个参数对末端影响最大，优先标定哪个。"

 

这就是本篇要解决的问题：给定一台4-DOF码垛机械臂的标准D-H参数，在标称值基础上施加系统性偏移扰动（Δa、Δd、Δα），逐级重新计算正运动学，量化每个D-H参数扰动对末端执行器位置的影响。不调用任何第三方机器人库，纯numpy实现，让工程师在离线状态就能回答"参数差一点到底偏多少"这个问题。

 

机器人构型参数：4-DOF关节型码垛机械臂（3旋转+1垂直平移），延续第六篇已验证构型。d₁=0.85 m（基座高度），a₂=0.40 m（大臂），a₃=0.35 m（小臂），a₄=0.25 m（末端延伸），α序列[0, π/2, -π/2, 0]。负载末端真空吸盘阵列+纸箱合计8.0 kg。单箱码垛节拍3.0 s，重复定位精度±0.5 mm。

 

⚠️ 声明：本篇全部代码为课程离线仿真，运行在普通PC上，用于D-H参数扰动灵敏度分析。不可直接用于真实机器人控制器、PLC或运动控制卡。真实产线参数标定需使用激光跟踪仪配合厂商专用软件。

 

2. 痛点分析

 

课程模块 本篇对应的工程痛点

第3章 连杆参数及运动学求解 → 3.2 D-H参数法 手册D-H参数与实际几何存在加工/装配偏差，需量化每个参数扰动对末端的影响幅度

第3章 连杆参数及运动学求解 → 3.3 正运动学 参数偏移通过正运动学逐级传递，需重新计算串联变换得到末端偏移量

第3章 连杆参数及运动学求解 → 3.5 工作空间分析 参数扰动改变实际工作空间边界，影响码垛可达区域

 

本篇代码解决 L1 离线仿真校核层。输入D-H参数偏移量（Δa、Δd、Δα），输出末端位置偏移向量和灵敏度系数。代码不是设备实时控制器，不做逆解迭代，不做轨迹补偿。它只做一件事：给参数"加个扰动"，看末端"偏了多少"——让标定工程师在动手调机之前先知道该优先标定哪些参数。

 

不覆盖：逆运动学、轨迹规划、动力学、力控制、6轴以上构型、实时操作系统。

 

3. 核心逻辑讲解

 

物理直觉

 

D-H参数就像机器人的"基因"。a是骨头长度，d是关节间距，α是关节轴夹角。手册给的是"标准基因"，但每台机器装出来都有微小差异——连杆加工公差±0.5 mm、装配时安装面不平行导致α偏了几角分、换过备件后的尺寸变化。

 

这些微小差异对末端的影响分两类，规律完全不同：

 

长度参数（a、d）：1:1刚性平移。 对连杆i的a加δ，等于把i之后整条子链刚体平移δ。末端偏移的模长永远恰好等于δ，跟关节角无关。这不是近似，是几何必然——变换矩阵里a乘的是cosθ和sinθ，加δ后差值就是δ·[cosθ, sinθ, 0]，模长恰好是|δ|。方向会变（关节角决定误差往哪个方向投影），但大小不放大。

 

角度参数（α、θ）：杠杆臂放大。 α偏δ_rad，误差乘上从扰动关节到末端的水平距离（杠杆臂）。1 m臂展下α偏0.1°（≈0.0017 rad），末端偏将近1.7 mm。偏0.2°就偏3.5 mm。这就是为什么装配时安装面差一点点，末端就能偏好几毫米——角度误差被臂展杠杆放大了。

 

本篇做的事情很朴素：固定一组关节角（模拟码垛工作点），把每个D-H参数分别加一个微小偏移，重新跑一遍正运动学，看末端位置差了多少。长度参数验证1:1传递，角度参数验证杠杆放大。灵敏度系数告诉你"改这个参数1个单位，末端偏多少"——标定优先级排序的直接依据。

 

业务逻辑 → 代码映射

 

输入：标称D-H参数 + 参数偏移列表（每个参数独立扰动）

  ↓

步骤1：数据模型校验——偏移量范围合理、link_index < 连杆数

  ↓

步骤2：对每个待扰动的参数：

   a. 深拷贝标称参数，施加Δ偏移

   b. 重新计算正运动学，得到扰动末端位置

   c. 与标称末端位置求差，得到偏移向量ΔP

   d. 计算灵敏度 = |ΔP| / |Δ参数|

  ↓

步骤3：批量扫描——对关键参数做多步长扫描，

        长度参数验证|ΔP|=|δ|，角度参数验证线性放大

  ↓

步骤4：自洽校验——零偏移时末端位置与标称值完全一致（误差<1e-12）

  ↓

输出：各参数灵敏度排名 + 偏移量向量 + 扫描曲线数据

 

为什么适合离线仿真

 

- 参数扰动分析是纯正运动学重复计算，无微分方程，无积分漂移

- 每个扰动独立计算，普通PC秒级完成全参数扫描

- 结果直接指导现场标定优先级——角度参数优先标定，长度参数用卷尺就能验证

- 工程师可以输入自己机器的实际偏差估算值，预判末端误差范围

 

关键公式文字翻译

 

参数扰动后的末端位置：

 

P_disturbed = FK(nominal_DH + Δparam, joint_angles)

 

其中FK代表正运动学串联计算，与第六篇完全一致。

 

末端偏移向量：

 

ΔP = P_disturbed - P_nominal

 

这是3维向量，表示xyz三个方向的偏移量。取模长得到总偏移距离。

 

灵敏度系数：

 

S = |ΔP| / |Δparam|

 

对长度参数，S恒等于1.0（mm/mm），方向由当前关节角决定。对角度参数，S ≈ 杠杆臂长度（mm/rad），与臂展成正比。

 

4. OOP代码实现

 

技术栈

 

严格限定：numpy, scipy, matplotlib。不引入pybullet、roboticstoolbox等任何第三方机器人库。sympy不引入（本篇纯数值批量计算）。

 

工程说明：本篇的

"dh_transform.py"和

"forward_kinematics.py"逻辑与第六篇一致。工程上应抽成公共包，此处为保持各篇独立可运行，在各自目录下维护完整副本。

项目结构树

 

robot_dh_sensitivity/

├── run_dh_sensitivity.py

├── requirements.txt

├── sensitivity/

│ ├── __init__.py

│ ├── models.py

│ ├── dh_transform.py

│ ├── forward_kinematics.py

│ ├── perturbation.py

│ └── visualize.py

├── tests/

│ ├── __init__.py

│ └── test_dh_sensitivity.py

└── results/

 

核心源码

 

"sensitivity/models.py" — dataclass数据模型

 

"""4-DOF码垛机械臂D-H参数与扰动定义"""

 

from dataclasses import dataclass

from typing import List

 

 

@dataclass

class DHParam:

    """

    标准D-H参数（Denavit-Hartenberg经典形式）

    theta: 关节角 (rad)

    d: 连杆偏距 (m)

    a: 连杆长度 (m)

    alpha: 连杆扭角 (rad)

    joint_type: 'revolute' 或 'prismatic'

    """

    theta: float

    d: float

    a: float

    alpha: float

    joint_type: str = 'revolute'

 

    def __post_init__(self):

        if self.joint_type not in ('revolute', 'prismatic'):

            raise ValueError(

                f"joint_type必须为'revolute'或'prismatic', "

                f"实际'{self.joint_type}'")

 

 

@dataclass

class DHPerturbation:

    """

    单个D-H参数的扰动定义

    link_index: 连杆编号 (0-based, 0~3)

    param_name: 参数名 ('a', 'd', 'alpha')

    delta: 偏移量 (m 或 rad)

    """

    link_index: int

    param_name: str

    delta: float

 

    def __post_init__(self):

        if self.param_name not in ('a', 'd', 'alpha'):

            raise ValueError(

                f"param_name必须为'a'/'d'/'alpha', "

                f"实际'{self.param_name}'")

        if not (0 <= self.link_index <= 3):

            raise ValueError(

                f"link_index必须在0~3之间, 实际{self.link_index}")

 

 

@dataclass

class Robot4DOFParams:

    """

    4-DOF码垛机械臂完整参数

    延续第六篇已验证构型，alpha=[0, π/2, -π/2, 0]

    """

    links: List[DHParam]

    joint_names: List[str]

    payload_mass: float = 8.0 # kg, 吸盘阵列+纸箱

    base_height: float = 0.85 # m

    gravity: float = 9.81

 

    def __post_init__(self):

        if len(self.links) != 4:

            raise ValueError(f"需要4组D-H参数, 实际{len(self.links)}组")

        if abs(self.links[0].d - self.base_height) > 1e-9:

            raise ValueError("d1与base_height不一致")

 

    @classmethod

    def default_4dof(cls):

        """默认4-DOF码垛机械臂D-H参数表"""

        pi = 3.141592653589793

        links = [

            DHParam(theta=0.0, d=0.85, a=0.0, alpha=0.0,

                    joint_type='revolute'),

            DHParam(theta=0.0, d=0.0, a=0.40, alpha=pi/2,

                    joint_type='revolute'),

            DHParam(theta=0.0, d=0.0, a=0.35, alpha=-pi/2,

                    joint_type='revolute'),

            DHParam(theta=0.0, d=0.0, a=0.25, alpha=0.0,

                    joint_type='prismatic'),

        ]

        joint_names = ['joint1_yaw', 'joint2_pitch1',

                       'joint3_pitch2', 'joint4_lift']

        return cls(links=links, joint_names=joint_names,

                   payload_mass=8.0, base_height=0.85)

 

"sensitivity/dh_transform.py" — 标准D-H变换矩阵

 

"""

标准D-H变换矩阵计算

变换顺序：绕z转θ → 沿z移d → 沿x移a → 绕x转α

"""

 

import numpy as np

from sensitivity.models import DHParam

 

 

class DHTransform:

    """单级标准D-H变换矩阵生成器"""

 

    @staticmethod

    def compute_T(theta, d, a, alpha):

        """

        标准D-H齐次变换矩阵 T_{i-1}^{i}

        """

        ct = np.cos(theta)

        st = np.sin(theta)

        ca = np.cos(alpha)

        sa = np.sin(alpha)

 

        T = np.array([

            [ct, -st * ca, st * sa, a * ct],

            [st, ct * ca, -ct * sa, a * st],

            [0.0, sa, ca, d],

            [0.0, 0.0, 0.0, 1.0]

        ], dtype=float)

 

        return T

 

    @staticmethod

    def compute_T_from_param(param: DHParam):

        return DHTransform.compute_T(

            param.theta, param.d, param.a, param.alpha)

 

"sensitivity/forward_kinematics.py" — 正运动学串联

 

"""

正运动学求解器：逐级左乘D-H变换矩阵

"""

 

import numpy as np

from sensitivity.models import Robot4DOFParams

from sensitivity.dh_transform import DHTransform

 

 

class ForwardKinematics4DOF:

    """4-DOF正运动学求解器"""

 

    def __init__(self, params: Robot4DOFParams):

        self.params = params

        self.n_joints = len(params.links)

 

    def update_joint_values(self, joint_values):

        """更新关节变量到D-H参数"""

        if len(joint_values) != self.n_joints:

            raise ValueError(

                f"需要{self.n_joints}个关节值, "

                f"实际{len(joint_values)}个")

        for i in range(self.n_joints):

            if self.params.links[i].joint_type == 'revolute':

                self.params.links[i].theta = joint_values[i]

            else:

                self.params.links[i].d = joint_values[i]

 

    def compute_forward_kinematics(self):

        """逐级左乘，返回T_chain列表"""

        T_chain = [np.eye(4, dtype=float)]

        T_cumulative = np.eye(4)

 

        for i in range(self.n_joints):

            T_i = DHTransform.compute_T_from_param(

                self.params.links[i])

            T_cumulative = T_cumulative @ T_i

            T_chain.append(T_cumulative.copy())

 

        return T_chain

 

    def get_end_effector_pose(self):

        """提取末端位姿"""

        T_chain = self.compute_forward_kinematics()

        T_final = T_chain[-1]

        position = T_final[:3, 3].copy()

        rotation_matrix = T_final[:3, :3].copy()

        return position, rotation_matrix, T_final

 

"sensitivity/perturbation.py" — 参数扰动与灵敏度分析核心

 

"""

D-H参数扰动引擎：对标称参数施加偏移，重算正运动学，量化末端偏移

核心业务逻辑：参数敏感性分析

"""

 

import numpy as np

from copy import deepcopy

from sensitivity.models import (

    Robot4DOFParams, DHParam, DHPerturbation)

from sensitivity.forward_kinematics import ForwardKinematics4DOF

 

 

class DHPerturbationAnalyzer:

    """

    D-H参数扰动分析器

    对每个参数独立施加扰动，计算末端位置偏移量和灵敏度系数

    """

 

    def __init__(self, nominal_params: Robot4DOFParams,

                  joint_angles):

        """

        nominal_params: 标称D-H参数

        joint_angles: 固定的关节角配置 (长度4)

        """

        self.nominal_params = nominal_params

        self.joint_angles = list(joint_angles)

 

        # 计算标称末端位置

        fk_nominal = ForwardKinematics4DOF(

            deepcopy(nominal_params))

        fk_nominal.update_joint_values(self.joint_angles)

        self.nominal_position, _, _ = (

            fk_nominal.get_end_effector_pose())

 

    def apply_single_perturbation(self, perturbation: DHPerturbation):

        """

        对单个参数施加单次扰动，返回末端偏移向量

        长度参数灵敏度恒为1.0（mm/mm），角度参数按杠杆臂放大

        """

        # 运行时再查一次link_index，防止越界

        if perturbation.link_index >= len(self.nominal_params.links):

            raise IndexError(

                f"link_index {perturbation.link_index} "

                f"超出连杆数量 {len(self.nominal_params.links)}")

 

        # 深拷贝参数，避免污染标称值

        perturbed_params = deepcopy(self.nominal_params)

 

        link = perturbed_params.links[perturbation.link_index]

        if perturbation.param_name == 'a':

            link.a += perturbation.delta

        elif perturbation.param_name == 'd':

            link.d += perturbation.delta

        elif perturbation.param_name == 'alpha':

            link.alpha += perturbation.delta

 

        # 重算正运动学

        fk_perturbed = ForwardKinematics4DOF(perturbed_params)

        fk_perturbed.update_joint_values(self.joint_angles)

        perturbed_position, _, _ = (

            fk_perturbed.get_end_effector_pose())

 

        # 计算偏移向量

        offset = perturbed_position - self.nominal_position

        offset_norm = np.linalg.norm(offset)

 

        # 灵敏度 = 偏移量 / 参数变化量

        if abs(perturbation.delta) > 1e-15:

            sensitivity = offset_norm / abs(perturbation.delta)

        else:

            sensitivity = 0.0

 

        return {

            'perturbation': perturbation,

            'nominal_position': self.nominal_position.copy(),

            'perturbed_position': perturbed_position.copy(),

            'offset_vector': offset,

            'offset_norm': offset_norm,

            'sensitivity': sensitivity

        }

 

    def batch_perturb(self, perturbations: list):

        """批量扰动分析：对每个扰动独立计算"""

        results = []

        for p in perturbations:

            result = self.apply_single_perturbation(p)

            results.append(result)

        return results

 

    def sweep_parameter(self, link_index, param_name,

                        delta_range):

        """

        对单个参数做多步长扫描

        长度参数预期：|ΔP| = |δ|（V形，折点在δ=0）

        角度参数预期：|ΔP| ≈ |δ| × 杠杆臂（V形）

        注意：扫描返回全范围数据，绘图时取δ≥0半边做线性拟合

        """

        if link_index >= len(self.nominal_params.links):

            raise IndexError(

                f"link_index {link_index} 超出连杆数量")

 

        sweep_results = []

 

        for delta in delta_range:

            p = DHPerturbation(

                link_index=link_index,

                param_name=param_name,

                delta=delta)

            result = self.apply_single_perturbation(p)

            sweep_results.append({

                'delta': delta,

                'offset_norm': result['offset_norm'],

                'offset_vector': result['offset_vector'].copy()

            })

 

        return sweep_results

 

    def zero_perturbation_check(self, tol=1e-12):

        """

        自洽校验：零偏移时末端位置应与标称值完全一致

        这是验证扰动引擎数值正确性的底线测试

        """

        zero_p = DHPerturbation(link_index=0, param_name='a',

                                 delta=0.0)

        result = self.apply_single_perturbation(zero_p)

        return {

            'error': result['offset_norm'],

            'pass': result['offset_norm'] < tol

        }

 

"sensitivity/visualize.py" — 可视化模块

 

"""D-H参数扰动灵敏度分析可视化：4张核心图表"""

 

import numpy as np

import matplotlib.pyplot as plt

 

plt.rcParams['font.sans-serif'] = ['SimHei', 'DejaVu Sans']

plt.rcParams['axes.unicode_minus'] = False

 

 

class Visualizer:

    def __init__(self, results_dir="results"):

        self.results_dir = results_dir

        import os

        os.makedirs(results_dir, exist_ok=True)

 

    def plot_sensitivity_bar(self, results_list, labels=None):

        """

        ① 各参数扰动灵敏度柱状图

        长度参数灵敏度恒为1.0 (mm/mm)，直接显示数值

        角度参数换算为 mm/° 显示（m/rad → mm/°）

        工程结论：角度参数灵敏度远大于长度参数，标定优先级更高

        """

        if labels is None:

            labels = [f"L{r['perturbation'].link_index}_"

                       f"{r['perturbation'].param_name}"

                       for r in results_list]

 

        display_values = []

        param_types = []

        for r in results_list:

            pname = r['perturbation'].param_name

            sens = r['sensitivity']

            if pname in ('a', 'd'):

                # 长度参数：m/m → mm/mm，数值不变

                display_values.append(sens)

                param_types.append('length')

            else:

                # 角度参数：m/rad → mm/°

                sens_deg = sens * 1000.0 * (np.pi / 180.0)

                display_values.append(sens_deg)

                param_types.append('angle')

 

        fig, ax = plt.subplots(figsize=(12, 6))

        colors = ['steelblue' if t == 'length' else 'darkorange'

                  for t in param_types]

 

        bars = ax.bar(range(len(labels)), display_values,

                      color=colors, edgecolor='black', alpha=0.85)

        ax.set_xticks(range(len(labels)))

        ax.set_xticklabels(labels, rotation=45, ha='right')

 

        ax.set_ylabel('Sensitivity (blue: mm/mm, orange: mm/°)',

                       fontsize=10)

        ax.set_title('D-H Parameter Sensitivity Ranking\n'

                      'Length params: ~1.0 (1:1 translation)\n'

                      'Angle params: amplified by lever arm',

                      fontsize=11)

        ax.grid(True, alpha=0.3, axis='y')

 

        for bar, val, ptype in zip(bars, display_values,

                                    param_types):

            height = bar.get_height()

            unit = 'mm/mm' if ptype == 'length' else 'mm/°'

            ax.text(bar.get_x() + bar.get_width() / 2., height,

                    f'{val:.3f}\n{unit}', ha='center', va='bottom',

                    fontsize=8)

 

        plt.tight_layout()

        path = f"{self.results_dir}/01_sensitivity_bar.png"

        plt.savefig(path, dpi=150)

        plt.close()

        return path

 

    def plot_offset_vectors_3d(self, results_list):

        """② 各参数扰动产生的末端偏移向量3D箭头图"""

        fig = plt.figure(figsize=(10, 8))

        ax = fig.add_subplot(111, projection='3d')

 

        nominal = results_list[0]['nominal_position'] if \

            results_list else np.zeros(3)

 

        for i, r in enumerate(results_list):

            offset = r['offset_vector'] * 1000 # 转mm

            ax.quiver(nominal[0] * 1000, nominal[1] * 1000,

                      nominal[2] * 1000,

                      offset[0], offset[1], offset[2],

                      length=1.0, normalize=False,

                      color=plt.cm.tab10(i % 10),

                      alpha=0.8, label=f"L{r['perturbation']."

                                       f"link_index}_"

                                       f"{r['perturbation'].param_name}")

 

        ax.set_xlabel('X (mm)')

        ax.set_ylabel('Y (mm)')

        ax.set_zlabel('Z (mm)')

        ax.set_title('End-Effector Offset Vectors from D-H Perturbations')

        ax.legend(fontsize=8)

        ax.grid(True, alpha=0.3)

 

        plt.tight_layout()

        path = f"{self.results_dir}/02_offset_vectors_3d.png"

        plt.savefig(path, dpi=150)

        plt.close()

        return path

 

    def plot_parameter_sweep(self, sweep_results, param_label,

                              delta_unit='m', param_type='length'):

        """

        ③ 单参数多步长扫描曲线

        只取δ≥0的半边数据做线性拟合，避免V形折弯点干扰

        """

        deltas = np.array([s['delta'] for s in sweep_results])

        offsets = np.array([s['offset_norm'] * 1000

                             for s in sweep_results])

 

        fig, ax = plt.subplots(figsize=(10, 6))

 

        ax.plot(deltas, offsets, 'b-o', linewidth=1.5, markersize=5,

                label='|ΔP| vs Δparam')

 

        # 只取δ≥0的半边做线性拟合

        pos_mask = deltas >= 0

        if np.sum(pos_mask) > 1:

            pos_deltas = deltas[pos_mask]

            pos_offsets = offsets[pos_mask]

            slope = np.polyfit(pos_deltas, pos_offsets, 1)[0]

            y_label_unit = 'mm/mm' if delta_unit == 'm' and param_type == 'length' else 'mm/°'

            ax.plot(pos_deltas,

                     slope * pos_deltas, 'r--', linewidth=2,

                     label=f'Linear fit (slope={slope:.1f} {y_label_unit})')

 

        ax.set_xlabel(f'Parameter Change Δ ({delta_unit})')

        ax.set_ylabel('End-Effector Offset |ΔP| (mm)')

        ax.set_title(f'Parameter Sweep: {param_label}\n'

                      f'(Linear fit on δ≥0 half)')

        ax.legend()

        ax.grid(True, alpha=0.3)

 

        plt.tight_layout()

        path = f"{self.results_dir}/03_parameter_sweep.png"

        plt.savefig(path, dpi=150)

        plt.close()

        return path

 

    def plot_sensitivity_heatmap(self, sensitivity_matrix,

                                  row_labels, col_labels=None):

        """

        ④ 灵敏度热力图（每参数一行，xyz三方向列）

        sensitivity_matrix: shape (n_params, 3)，单位为 m/m 或 m/rad

        显示时×1000转为 mm/mm 或 mm/rad

        """

        if col_labels is None:

            col_labels = ['ΔX', 'ΔY', 'ΔZ']

 

        fig, ax = plt.subplots(figsize=(8, max(4, 0.5 * len(row_labels))))

 

        display_mat = np.abs(sensitivity_matrix) * 1000 # m→mm

 

        im = ax.imshow(display_mat, cmap='hot', aspect='auto')

        ax.set_xticks(range(3))

        ax.set_xticklabels(col_labels)

        ax.set_yticks(range(len(row_labels)))

        ax.set_yticklabels(row_labels)

        ax.set_title('Sensitivity Heatmap per Direction\n'

                      '(mm/mm for length, mm/rad for angle)')

 

        for r in range(display_mat.shape[0]):

            for c in range(3):

                val = display_mat[r, c]

                ax.text(c, r, f'{val:.1f}', ha='center', va='center',

                        fontsize=9, color='white' if val > 500

                        else 'black')

 

        plt.colorbar(im, ax=ax, shrink=0.8)

        plt.tight_layout()

        path = f"{self.results_dir}/04_sensitivity_heatmap.png"

        plt.savefig(path, dpi=150)

        plt.close()

        return path

 

5. 可视化要求

 

序号 图表文件 服务结论

① 

"01_sensitivity_bar.png" 各参数灵敏度柱状图，长度参数(mm/mm)与角度参数(mm/°)分色显示，标定优先级排序

② 

"02_offset_vectors_3d.png" 各扰动下末端偏移向量3D箭头，展示误差传播方向随关节角旋转

③ 

"03_parameter_sweep.png" 单参数多步长扫描曲线，δ≥0半边线性拟合验证灵敏度系数

④ 

"04_sensitivity_heatmap.png" 灵敏度热力图（每参数×xyz方向），识别各方向最敏感参数

 

6. README使用说明 + 核心知识点卡片

 

快速开始

 

pip install -r requirements.txt

python -m pytest tests/test_dh_sensitivity.py -v # 3/3 测试通过

python run_dh_sensitivity.py # 运行参数扰动分析

 

数据格式说明

 

参数 修改位置 说明

D-H标称值 

"Robot4DOFParams.default_4dof()" 中的links列表 修改a/d/alpha

关节角 

"DHPerturbationAnalyzer(params, joint_angles)" 中的 

"joint_angles" 模拟不同工作点

扰动定义 

"DHPerturbation(link_index, param_name, delta)" delta单位m或rad

扫描范

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！