python的机器人基础原理工业场景模拟第七十三篇:工厂仿真，给定关节角度变化步长，生成关节角序列，批量计算每一步雅可比矩阵，保存矩阵结果。

2301_82202864

209人浏览 · 2026-10-20 14:37:15

2301_82202864 · 2026-10-20 14:37:15 发布

《Python机器人基础原理》第七十三篇：工厂仿真——关节角步长驱动下的雅可比矩阵批量计算与奇异性分析

1. 实际工业应用场景

周三上午九点，某汽车零部件焊接工位的离线编程工作站。机械设计工程师小周刚完成了一条新产线的机器人可达性分析，现在正和仿真工程师小郑对着屏幕上的3D布局图。

"小郑，这条产线上有12个焊接点，分布在工件两侧。我需要确认机器人在每个焊接姿态下，末端执行器能不能沿焊缝方向稳定施焊。"小周指着屏幕，"我按5°步长扫了关节1和关节2的全范围——各69步，组成约4761个姿态组合。你能帮我批量算一下每一步的雅可比矩阵吗？我想看看哪些位置接近奇异构型，哪些方向的末端力传递效率会断崖式下降。"

小郑调出Python编辑器："4761步，每步3×2的雅可比矩阵，手工算到明年。我写个批量计算工具——给定关节角变化步长，自动生成关节角网格序列，对每一步调用解析雅可比，把结果存成CSV。后面你还能拿去做可操作性椭球分析。"

"对，就用我们那台平面2R SCARA的参数——大臂0.45 m/2.8 kg，小臂0.35 m/1.5 kg。关节角范围±170°，步长5°（约0.087 rad）。你帮我跑一遍网格，把奇异点标出来。"

"行。不过说好了——这是离线仿真，只验证算法逻辑。真机上的雅可比得用实时关节反馈，还得考虑连杆柔性、齿轮间隙，那些我这里都不管。"

构型约定说明：本篇采用平面2R SCARA构型（大臂长0.45 m/质量2.8 kg，小臂长0.35 m/质量1.5 kg），给定关节角变化步长生成网格序列，对每一步解析计算3×2速度雅可比矩阵（前两行线速度映射，第3行角速度映射），批量保存结果。全部参数内置，自包含可复现。

⚠️ 声明：本篇全部代码为课程离线仿真，运行在普通PC上，用于雅可比矩阵批量计算与奇异性分析的算法演示。代码中不包含任何真实机器人控制器实时运算或力控制接口。不可直接用于产线设备。

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 → 3.4 速度雅可比给定关节角序列，需逐点计算雅可比矩阵以评估速度映射关系和奇异性

第5章机器人关节驱动与控制 → 5.3 关节空间与笛卡尔空间映射关节速度→末端速度的线性映射矩阵是力控制、阻抗控制的前置条件

第9章协作机器人 → 9.2 可操作度与奇异规避雅可比行列式为零的构型导致末端失去某个方向的运动能力

本篇代码解决 L2 离线仿真校核层。输入：关节角变化步长 + 机器人连杆参数 + 关节范围。处理：①按步长生成关节角网格序列；②对每一步解析计算3×2速度雅可比矩阵；③计算行列式和可操作度指标；④批量保存矩阵结果。输出：4张分析图表 + CSV矩阵文件。

不覆盖：实时力控制、奇异规避轨迹重规划、连杆柔性变形、关节摩擦与背隙补偿、6自由度完整构型的动力学耦合。

3. 核心逻辑讲解

物理直觉

雅可比矩阵就是机器人的"变速器齿轮比表"。你拧关节电机，末端执行器朝哪个方向走、走多快，全靠这张表换算。不同关节角度下，这张表的数值完全不同——大臂水平伸直时和小臂蜷缩在基座旁时，同样的关节转速产生的末端线速度天差地别。

更关键的是：某些特殊姿态下，这张表会"失效"——数学上表现为行列式接近零。这时候机器人失去某个方向的运动能力，叫做奇异位形。比如平面2R机器人两个关节都转到0°（完全伸直指向正前方，即q2=0°），此时两个连杆共线，末端只能沿垂直于连杆的方向移动，沿连杆方向的速度完全无法由关节角速度产生。工厂里如果焊接路径恰好经过这种姿态，就会出现"机器人到了位置但焊枪推不动"的尴尬局面。

本篇做的事情：你告诉我每个关节每次走多大步（比如5°），我从起始角到终止角，一步一步走，每到一个新姿态就算一遍雅可比矩阵，存下来。最后你拿到一张表，上面标着哪些步接近奇异——这就是离线编程工作站最基础的功能之一。

业务逻辑 → 代码映射

输入：关节角范围[q_min, q_max] + 步长Δq + 连杆参数

↓

【步骤1：生成关节角网格序列】

对2R的两个关节，各按步长生成69个值

两两组合得到69×69=4761个(q1, q2)姿态

↓

【步骤2：解析计算速度雅可比矩阵】

平面2R的雅可比（3×2）：

线速度行1：J11 = -l1·sin(q1) - l2·sin(q1+q2) | J12 = -l2·sin(q1+q2)

线速度行2：J21 = l1·cos(q1) + l2·cos(q1+q2) | J22 = l2·cos(q1+q2)

角速度行3：J31 = 1 | J32 = 1 （ωz = q̇1 + q̇2）

↓

【步骤3：奇异性指标计算】

行列式 det(J_2×2) = l1·l2·sin(q2)

可操作度 w = |det(J)| （度量整体运动能力大小，即椭球体积）

条件数 κ = σ_max/σ_min（度量各方向均匀性，不在本篇主算但需区分概念）

↓

【步骤4：批量保存】

每一步的雅可比矩阵写入CSV，含行列索引

↓

输出：CSV文件 + 4张分析图表

关键概念文字翻译

雅可比矩阵每一项的物理含义：J(i,j)表示第j个关节的单位角速度能贡献给第i个末端自由度的速度分量。平面2R有2个关节、末端有2个平动自由度+1个转动自由度，所以是3×2。J11是关节1角速度对末端X方向线速度的贡献——等于末端位置对q1的偏导。几何上看，就是大臂和小臂在X方向的"速度杠杆臂"长度之和。第3行角速度映射 [1, 1] 表示末端绕Z轴的角速度等于两个关节角速度之和——这是平面机构的基本运动学关系。

行列式为零 = 奇异：det(J_2×2) = l1·l2·sin(q2)。当q2=0°或180°时（两杆共线），行列式为零。物理意义：此时末端沿连杆方向的移动无法由任何关节角速度产生——因为关节转动只改变方向，不改变沿杆方向的位置。工厂里遇到这种情况，机器人会突然"卡死"在某个方向上。

可操作度 vs 条件数——不要混为一谈：可操作度 w = |det(J)| 度量的是机器人整体运动能力的大小（对应可操作性椭球的体积），数值大说明"能动的总量大"。但各方向运动是否均匀，要看条件数 κ = σ_max/σ_min（奇异值之比）——κ接近1说明各方向均匀，κ很大说明某些方向几乎动不了。大 w 不等于均匀，这是两个独立指标。

力映射用的是转置：速度关系 v = J·q̇，力关系 τ = Jᵀ·F。速度雅可比和力雅可比是转置关系，不是同一个矩阵的不同行。本篇只计算速度雅可比。

4. OOP代码实现

技术栈

严格限定：numpy, pandas, matplotlib, math（标准库）。不引入pybullet、roboticstoolbox等任何第三方重型库。雅可比矩阵使用解析偏导手写实现。

项目结构树

jacobian_batch_simulation/

├── run_jacobian_batch.py

├── requirements.txt

├── robot/

│ ├── __init__.py

│ ├── models.py

│ ├── jacobian_calculator.py

│ ├── sequence_generator.py

│ ├── singularity_analyzer.py

│ └── visualize_jacobian.py

├── tests/

│ ├── __init__.py

│ └── test_jacobian_batch.py

├── results/

└── output/

核心源码

"robot/models.py" — 数据模型

"""

数据模型：连杆参数、关节角序列配置、雅可比计算结果

全部参数内置，自包含可复现

"""

import numpy as np

from dataclasses import dataclass, field

from typing import List, Optional

@dataclass

class LinkParams:

"""单连杆参数"""

name: str = ""

a: float = 0.0 # 连杆长度 (m)

@dataclass

class RobotArmConfig:

"""机械臂构型配置"""

links: List[LinkParams] = field(default_factory=list)

q_min: float = -2.967 # 关节最小角度 (rad)，约-170°

q_max: float = 2.967 # 关节最大角度 (rad)，约+170°

def __post_init__(self):

if not self.links:

# SCARA平面2R：大臂0.45m/2.8kg，小臂0.35m/1.5kg

self.links = [

LinkParams(name="大臂", a=0.45),

LinkParams(name="小臂", a=0.35),

]

@dataclass

class JointStepConfig:

"""关节角步长配置（网格扫描模式）"""

q1_start: float = -2.967 # 关节1起始角 (rad)

q1_end: float = 2.967 # 关节1终止角 (rad)

q1_step: float = 0.087 # 关节1步长 (rad)，约5°

q2_start: float = -2.967 # 关节2起始角 (rad)

q2_end: float = 2.967 # 关节2终止角 (rad)

q2_step: float = 0.087 # 关节2步长 (rad)

@dataclass

class JacobianResult:

"""单步雅可比计算结果"""

point_index: int = 0

q1: float = 0.0 # 关节1角度 (rad)

q2: float = 0.0 # 关节2角度 (rad)

jacobian: Optional[np.ndarray] = None # 3×2 速度雅可比矩阵

determinant: float = 0.0 # 2×2线速度部分行列式

manipulability: float = 0.0 # 可操作度 |det(J)| (m²)

is_singular: bool = False # 是否接近奇异（|det| < 阈值）

"robot/sequence_generator.py" — 关节角序列生成

"""

按给定步长生成关节角网格序列

双轴扫描：q1和q2都按步长从起始到终止

"""

import numpy as np

from robot.models import JointStepConfig, RobotArmConfig

class JointSequenceGenerator:

"""

按步长生成关节角网格序列

双轴扫描：q1和q2各按步长生成离散值，两两组合

"""

def __init__(self, config: JointStepConfig, arm_config: RobotArmConfig):

self.cfg = config

self.arm_cfg = arm_config

def generate_grid_scan(self):

"""

双轴网格扫描：q1和q2都按步长扫描

arange终点加半步长，避免浮点舍入丢最后一点

返回：[(q1, q2), ...] 列表

"""

q1_values = np.arange(

self.cfg.q1_start,

self.cfg.q1_end + self.cfg.q1_step * 0.5,

self.cfg.q1_step

)

q2_values = np.arange(

self.cfg.q2_start,

self.cfg.q2_end + self.cfg.q2_step * 0.5,

self.cfg.q2_step

)

sequence = []

for q2 in q2_values:

for q1 in q1_values:

sequence.append((float(q1), float(q2)))

return sequence

"robot/jacobian_calculator.py" — 雅可比矩阵解析计算

"""

平面2R机械臂速度雅可比矩阵解析计算

J是3×2：前两行线速度映射(Vx, Vy)，第3行角速度映射(ωz)

速度关系：v = J·q̇，其中 v = [Vx, Vy, ωz]ᵀ，q̇ = [q̇1, q̇2]ᵀ

"""

import numpy as np

import math

from robot.models import RobotArmConfig

class Planar2RJacobian:

"""

平面2R速度雅可比矩阵计算器

解析偏导：J_ij = ∂(末端第i自由度)/∂(第j关节角)

"""

def __init__(self, config: RobotArmConfig):

self.cfg = config

self.l1 = config.links[0].a # 大臂长度 (m)

self.l2 = config.links[1].a # 小臂长度 (m)

def compute(self, q1, q2):

"""

计算给定关节角下的3×2速度雅可比矩阵

末端位置：

x = l1·cos(q1) + l2·cos(q1+q2)

y = l1·sin(q1) + l2·sin(q1+q2)

末端角速度：

ωz = q̇1 + q̇2

线速度雅可比（2×2）：

J11 = ∂x/∂q1 = -l1·sin(q1) - l2·sin(q1+q2)

J12 = ∂x/∂q2 = -l2·sin(q1+q2)

J21 = ∂y/∂q1 = l1·cos(q1) + l2·cos(q1+q2)

J22 = ∂y/∂q2 = l2·cos(q1+q2)

角速度雅可比（1×2）：

J31 = ∂ωz/∂q̇1 = 1

J32 = ∂ωz/∂q̇2 = 1

组装为3×2矩阵：

[ J11 J12 ]

[ J21 J22 ]

[ 1 1 ]

"""

s1 = math.sin(q1)

c1 = math.cos(q1)

s12 = math.sin(q1 + q2)

c12 = math.cos(q1 + q2)

J = np.array([

[-self.l1 * s1 - self.l2 * s12, -self.l2 * s12], # Vx

[ self.l1 * c1 + self.l2 * c12, self.l2 * c12], # Vy

[ 1.0, 1.0] # ωz

], dtype=np.float64)

return J

def determinant(self, q1, q2):

"""

计算线速度部分(2×2)的行列式

det = J11·J22 - J12·J21 = l1·l2·sin(q2)

当 q2=0 或 π 时行列式为0，对应奇异构型（两杆共线）

"""

return self.l1 * self.l2 * math.sin(q2)

def manipulability(self, q1, q2):

"""

Yoshikawa 可操作度指标（度量整体运动能力大小）

w = |det(J_linear)| = l1·l2·|sin(q2)|

注意：可操作度大 ≠ 各方向均匀，均匀性由条件数 κ = σmax/σmin 度量

"""

return abs(self.l1 * self.l2 * math.sin(q2))

"robot/singularity_analyzer.py" — 奇异性分析

"""

奇异性分析：批量计算雅可比行列式和可操作度

标记接近奇异的构型

阈值换算：|det| < 0.01 m² → |sin(q2)| < 0.01/(0.45×0.35) ≈ 0.0635

→ |q2| < 3.64°，即关节2接近0°时标记奇异

"""

import numpy as np

import csv

import os

from robot.models import RobotArmConfig, JointStepConfig, JacobianResult

from robot.jacobian_calculator import Planar2RJacobian

class SingularityAnalyzer:

"""

对关节角网格序列批量计算雅可比矩阵

评估奇异性指标，标记奇异点

"""

def __init__(self, config: RobotArmConfig, singular_threshold=0.01):

self.cfg = config

self.jac_calc = Planar2RJacobian(config)

self.threshold = singular_threshold

def analyze_sequence(self, joint_sequence):

"""

对关节角序列批量计算

返回：List[JacobianResult]

"""

results = []

for idx, (q1, q2) in enumerate(joint_sequence):

result = JacobianResult(point_index=idx, q1=q1, q2=q2)

# 计算3×2速度雅可比矩阵

J = self.jac_calc.compute(q1, q2)

result.jacobian = J

# 计算2×2线速度部分的行列式

det = self.jac_calc.determinant(q1, q2)

result.determinant = det

# 可操作度（度量整体运动能力大小，非均匀性）

result.manipulability = self.jac_calc.manipulability(q1, q2)

# 奇异标记：行列式绝对值低于阈值

if abs(det) < self.threshold:

result.is_singular = True

results.append(result)

return results

def save_matrices_to_csv(self, results, output_path):

"""

将每一步的雅可比矩阵保存为CSV

格式：每行 = 一步，列 = 元数据(5列) + J矩阵元素(6列)

"""

os.makedirs(os.path.dirname(output_path), exist_ok=True)

with open(output_path, 'w', newline='') as f:

writer = csv.writer(f)

# 表头：5个元数据 + 3×2=6个矩阵元素

header = ['point_index', 'q1_rad', 'q2_rad',

'determinant_m2', 'manipulability_m2', 'is_singular']

for i in range(3):

for j in range(2):

header.append(f'J_{i}_{j}')

writer.writerow(header)

# 数据行

for r in results:

row = [r.point_index, r.q1, r.q2,

r.determinant, r.manipulability, r.is_singular]

if r.jacobian is not None:

row.extend(r.jacobian.flatten().tolist())

writer.writerow(row)

"robot/visualize_jacobian.py" — 可视化

"""

雅可比批量计算可视化

4张图表：行列式分布、可操作度等值线、奇异点空间分布、雅可比热力图

"""

import numpy as np

import matplotlib.pyplot as plt

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

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

class JacobianVisualizer:

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

self.results_dir = results_dir

import os

os.makedirs(results_dir, exist_ok=True)

def plot_determinant_vs_q1_at_q2_slices(self, results, q2_slices_deg=None):

"""① 不同q2切片下，雅可比行列式随q1的变化曲线"""

fig, ax = plt.subplots(figsize=(10, 5))

if q2_slices_deg is None:

q2_slices_deg = [-90, -45, 0, 45, 90]

q2_set = set(abs(r.q2) for r in results)

# 找到最接近指定角度的q2值

for q2_target_deg in q2_slices_deg:

q2_target = np.deg2rad(q2_target_deg)

closest_q2 = min(q2_set, key=lambda x: abs(x - abs(q2_target)))

# 筛选该q2附近的步

filtered = [(r.q1, r.determinant) for r in results

if abs(abs(r.q2) - closest_q2) < 0.01]

if not filtered:

continue

filtered.sort(key=lambda x: x[0])

q1_deg = [np.degrees(q1) for q1, _ in filtered]

det_vals = [d for _, d in filtered]

label = f'|q2|≈{np.degrees(closest_q2):.0f}°'

ax.plot(q1_deg, det_vals, linewidth=1.2, label=label)

ax.axhline(y=0, color='r', linestyle='-', linewidth=1)

ax.axhline(y=0.01, color='orange', linestyle='--', linewidth=1,

label='奇异阈值 +0.01 m²')

ax.axhline(y=-0.01, color='orange', linestyle='--', linewidth=1)

ax.set_xlabel('关节1角度 (°)')

ax.set_ylabel('det(J) (m²)')

ax.set_title('雅可比行列式随q1变化（不同q2切片）')

ax.grid(True, alpha=0.3)

ax.legend(fontsize=8)

plt.tight_layout()

path = f"{self.results_dir}/01_determinant_vs_q1.png"

plt.savefig(path, dpi=150)

plt.close()

return path

def plot_manipulability_contour(self, results):

"""② 可操作度分布等值线图（网格扫描）"""

fig, ax = plt.subplots(figsize=(8, 6))

q1_list = list(set([r.q1 for r in results]))

q2_list = list(set([r.q2 for r in results]))

q1_list.sort()

q2_list.sort()

w_grid = np.zeros((len(q2_list), len(q1_list)))

singular_mask = np.zeros((len(q2_list), len(q1_list)), dtype=bool)

for r in results:

i = q2_list.index(r.q2)

j = q1_list.index(r.q1)

w_grid[i, j] = r.manipulability

singular_mask[i, j] = r.is_singular

c = ax.contourf(np.degrees(q1_list), np.degrees(q2_list),

w_grid, levels=20, cmap='viridis')

plt.colorbar(c, ax=ax, label='可操作度 |det(J)| (m²)')

# 标记奇异点

singular_q1 = [r.q1 * 180 / np.pi for r in results if r.is_singular]

singular_q2 = [r.q2 * 180 / np.pi for r in results if r.is_singular]

if singular_q1:

ax.plot(singular_q1, singular_q2, 'rx', markersize=3,

label='奇异点 (|det|<0.01)')

ax.set_xlabel('关节1角度 (°)')

ax.set_ylabel('关节2角度 (°)')

ax.set_title('可操作度分布等值线图（红×标记奇异点）\n'

'可操作度度量整体运动能力大小，非各方向均匀性')

ax.legend(fontsize=8)

ax.grid(True, alpha=0.3)

plt.tight_layout()

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

plt.savefig(path, dpi=150)

plt.close()

return path

def plot_singular_points(self, results):

"""③ 奇异点在工作空间中的物理分布"""

fig, ax = plt.subplots(figsize=(8, 8))

l1 = 0.45

l2 = 0.35

x_vals = []

y_vals = []

colors = []

for r in results:

if not r.is_singular:

continue

q1, q2 = r.q1, r.q2

x = l1 * np.cos(q1) + l2 * np.cos(q1 + q2)

y = l1 * np.sin(q1) + l2 * np.sin(q1 + q2)

x_vals.append(x)

y_vals.append(y)

colors.append(abs(r.determinant))

if x_vals:

sc = ax.scatter(x_vals, y_vals, c=colors, cmap='Reds',

s=15, edgecolors='k', linewidths=0.3, alpha=0.7)

plt.colorbar(sc, ax=ax, label='|det(J)| (m²)')

# 工作空间边界

theta = np.linspace(0, 2*np.pi, 300)

ax.plot((l1+l2)*np.cos(theta), (l1+l2)*np.sin(theta),

'k--', alpha=0.4, linewidth=1, label='最大臂展 0.80 m')

ax.plot(abs(l1-l2)*np.cos(theta), abs(l1-l2)*np.sin(theta),

'k--', alpha=0.4, linewidth=1, label='最小内圈 0.10 m')

ax.set_aspect('equal', adjustable='box')

ax.set_xlabel('X (m)')

ax.set_ylabel('Y (m)')

ax.set_title('奇异点在工作空间中的分布\n'

'（q2≈0°时奇异点集中在最大臂展圆上，呈圆弧分布）')

ax.grid(True, alpha=0.3)

ax.legend(fontsize=8)

plt.tight_layout()

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

plt.savefig(path, dpi=150)

plt.close()

return path

def plot_jacobian_heatmap(self, results, step_index=0):

"""④ 选定步的雅可比矩阵热力图"""

fig, ax = plt.subplots(figsize=(5, 4))

if step_index >= len(results) or results[step_index].jacobian is None:

step_index = 0

J = results[step_index].jacobian

q1_deg = results[step_index].q1 * 180 / np.pi

q2_deg = results[step_index].q2 * 180 / np.pi

im = ax.imshow(J, cmap='coolwarm', aspect='auto')

plt.colorbar(im, ax=ax, label='J(i,j)')

ax.set_xticks([0, 1])

ax.set_xticklabels(['关节1 (q̇1)', '关节2 (q̇2)'])

ax.set_yticks(range(3))

ax.set_yticklabels(['Vx', 'Vy', 'ωz'])

ax.set_title(f'速度雅可比热力图 (v = J·q̇)\n'

f'步{step_index}: q1={q1_deg:.1f}°, q2={q2_deg:.1f}°')

plt.tight_layout()

path = f"{self.results_dir}/04_jacobian_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_determinant_vs_q1.png" 不同q2切片下行列式随q1变化，直观看到q2接近0°时行列式全程接近零，确认奇异构型位置

②

"02_manipulability.png" 可操作度等值线分布，q2=±90°附近最大（0.1575 m²），红×标记奇异点

③

"03_singular_points.png" 奇异点在工作空间中的物理分布——集中在最大臂展圆上呈圆弧，对应q2≈0°共线姿态

④

"04_jacobian_heatmap.png" 选定步的3×2速度雅可比热力图，展示线速度+角速度映射的"齿轮比"分布

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_jacobian_batch.py -v # 3/3 测试通过

python run_jacobian_batch.py # 运行雅可比批量计算

数据格式说明

# 修改关节步长配置

from robot.models import JointStepConfig

step_cfg = JointStepConfig(

q1_start=-2.967, q1_end=2.967, q1_step=0.087, # 步长5°

q2_start=-2.967, q2_end=2.967, q2_step=0.087

)

# 修改机器人构型

from robot.models import RobotArmConfig, LinkParams

cfg = RobotArmConfig(

links=[LinkParams(name="大臂", a=0.45), LinkParams(name="小臂", a=0.35)]

)

# 修改奇异阈值（0.01 m² → |sin(q2)| < 0.0635 → |q2| < 3.64°）

from robot.singularity_analyzer import SingularityAnalyzer

analyzer = SingularityAnalyzer(cfg, singular_threshold=0.005)

参数修改位置说明

关节步长

"JointStepConfig.q1_step" 0.087 rad ≈ 5°，越小精度越高

奇异阈值

"SingularityAnalyzer(..., singular_threshold=)" 0.01 m² 对应 q2 在 ±3.64° 内标记奇异

臂长

"LinkParams(a=)" 影响 det(J) = l1·l2·sin(q2) 的幅值

📌 知识点卡片

雅可比矩阵与奇异性分析（对应课本第3章3.4节、第9章9.2节）

- 速度雅可比：平面2R的J是3×2（Vx, Vy, ωz），元素为末端速度对关节角的偏导，物理上是"速度杠杆臂"

- 奇异位形：det(J_2×2) = l1·l2·sin(q2) = 0 当 q2=0°或180°（两杆共线），末端失去沿连杆方向的运动能力

- 可操作度 w = |det(J)|：度量整体运动能力大小（椭球体积），大 w ≠ 各方向均匀；均匀性由条件数 κ = σ_max/σ_min 独立度量

- 力映射：τ = Jᵀ·F，与速度雅可比 J 是转置关系，不是同一个矩阵的不同行

7. 总结与工程师思考

工业落地难处

一、连杆参数误差导致雅可比矩阵失真。本篇用理想参数 l1=0.45 m、l2=0.35 m 计算雅可比。实际机器人的连杆长度存在加工公差（±0.5 mm），关节零点偏移（±0.1°），这些误差会让雅可比矩阵的元素产生偏差。在精密装配（如±0.02 mm重复精度要求）场景下，这种偏差会直接转化为末端位姿误差。工业上需要通过标定实验修正DH参数。

二、行列式判据不如条件数鲁棒。本篇用 |det(J)| < 0.01 m² 标记奇异，这只能检测"完全共线"的极端情况。实际机器人接近奇异但行列式不为零时，末端速度方向已经严重畸变——此时应该用条件数 κ(J) = σ_max/σ_min 来量化各方向运动能力的差异。κ 越大说明越接近奇异，工业控制器中常用 κ > 50 作为奇异预警阈值。

三、雅可比矩阵只描述瞬时速度映射，不反映动力学耦合。本篇算出的 J 是纯几何关系，但真实机器人各关节之间存在惯性耦合、科氏力和向心力。高速运动时，即使雅可比条件数良好，动力学奇异性（如惯性矩阵奇异）仍可能导致控制不稳定。离线仿真中无法体现这一点。

工程师心得

小郑把CSV文件和四张图表发到小周桌上："4761步的雅可比全算完了。你看图②——可操作度在q2=±90°附近最大，约0.1575 m²，说明垂直姿态下机器人整体运动能力最强。图①中q2接近0°的切片，行列式全程在零附近，整个扫描范围都是奇异构型。图③标出了工作空间里所有奇异点的位置——集中在最大臂展圆上，呈圆弧分布，对应两杆共线的姿态。"

小周放大图②："我把焊接点重新排一下，尽量让焊枪在q2=±90°附近工作，避开那条奇异圆弧。"

"对。不过记住——"小郑敲了敲屏幕，"这是离线仿真。真机上的雅可比得用实时反馈的关节角算，而且要考虑连杆柔性。仿真给你方向，真机给你答案。"

8. 写作与风格限制

本篇全部代码为课程离线仿真，运行在普通PC上，用于雅可比矩阵批量计算与奇异性分析的算法演示。代码中不包含任何真实机器人控制器实时运算或力控制接口。完全去营销，中立客观。禁止"首先、其次、最后"等八股连接词。拒绝论文式生硬开头，保持故事叙事感。全部物理量标注完整单位。

9. 文末附录

环境配置

pip install numpy>=1.24.0 pandas>=2.0.0 matplotlib>=3.7.0

"requirements.txt" 内容：

numpy>=1.24.0

pandas>=2.0.0

matplotlib>=3.7.0

运行说明