教机器人识别工具尖端：为什么很多姿态仍不够？

问题：法兰不是工具尖端

机器人知道安装工具的法兰位置，但要把尖端放到孔上，还需知道法兰到尖端的偏移。直观方法是让尖端停在同一参考点并改变工具朝向。四个、十个甚至一百个姿态就能保证正确吗？不能，关键是运动揭示了哪些未知坐标，而不仅是数据行数。

摘要。推导工具中心点TCP位置的线性标定模型，不包含完整工具朝向。构造残差近零却垂直坐标误差225 mm的例子，再展示可辨识但对噪声敏感的情况，以20,000次合成重复比较几何。这不是机器人实测或厂商内部算法复现，而是解释测量信息性的计算。

两个坐标系，一个尖端

t是法兰坐标系中的法兰到尖端向量，刚性固定工具下不变。第i姿态的旋转矩阵Rᵢ把法兰向量转至基座坐标，pᵢ是法兰在基座中的位置。固定点c也在基座坐标中，最初未知。t、p、c单位毫米，R无量纲。先旋转t再加pᵢ，得到基座中的尖端。

第一行要求每个姿态的同一尖端到达同一点。第二行仅移项，用来求t和c共六个未知坐标。I为不改变向量的单位矩阵。堆叠各姿态得到Hx=b，x=[t;c]。四个姿态有十二个方程，却不意味着十二份不同信息。

完整无噪声例子

选择合成真值t=(30,−20,150) mm、c=(500,200,300) mm，生成器知道，估计器不知道。各旋转按pᵢ=c−Rᵢt生成。R=I时p=(470,220,150)，绕z轴90°时Rt=(20,30,150)、p=(480,170,150)。数据变了，但竖直分量仍150，这正是问题线索。

使用绕z的0°、90°、180°、270°四姿态。若t_z和c_z同时增加100 mm，全部pᵢ不变，因为绕z旋转保持(0,0,100)。仅靠这些方程，没有统计估计器能区分两种工具，数据不含这种差别。这称为不可辨识，并非提高数值精度可以解决。

零残差也可能对应错误结果

残差Hx−b衡量解重建标定数据的程度。NumPy最小二乘给出t=(30,−20,−75) mm，残差范数约3.4×10⁻¹³ mm。z距真值225 mm，数据却几乎完美重建。求解器选了无穷解中的最小范数者，这只是数学约定，不是工具长度的物理知识。

秩表示被独立约束的未知量组合数。这里秩5而非6，缺一个方向。重复一百次不改变秩，虽可减小已观测方向的噪声，却不能揭示缺失方向。四个相同姿态秩仅3，只知道旋转尖端与固定点的差。数量与多样性是不同资源。

可辨识不等于稳定

绕不同轴旋转可以使秩达到六。但姿态差别很小时，问题仍可能接近不可辨识情形。比较两组四个朝向：单位旋转加绕x、y、z各1°；单位旋转加绕同样三轴各90°。这只是数学构造，不是实际机器人运动指令；模型没有表示可达性、碰撞、接触和机械限制。

为了理解敏感性，把H分为三个操作：旋转未知量坐标，逐方向缩放，再旋转至数据坐标。这就是奇异值分解SVD。零因子表示一个方向从数据中消失；很小的因子表示痕迹极弱。重建未知量需要除以该因子，也放大痕迹中的误差。

uⱼ、vⱼ分别是数据方向和未知量方向；在本参数化中sⱼ无量纲。求和重建被观测方向，省略缺失方向只给最小范数解，并未测到它。条件数κ比较最大和最小因子：1°组约205，90°组约2.22。它不是毫米精度，也非通用评分，依赖所用矩阵、单位和参数化。

噪声会放大多少？

给p的每个坐标加入独立零均值高斯噪声，标准差0.2 mm，旋转仍精确。每个可辨识几何生成20,000次标定，每次联合求解全部姿态。测量估计尖端与真值距离平方平均后的平方根，即三维RMSE，单位毫米。它不是最大误差，也不是单个坐标标准差。

小旋转使法兰坐标0.2 mm噪声对应尖端RMSE约16.65 mm，多样朝向则约0.221 mm。这是该几何和合成模型的结果，不能把改善倍数推广到所有机器人。横线表示不可辨识情形，不虚构其精度。NumPy种子20260929，先小角度组后多样组，代码、版本和结果可下载。

无需模拟也能预测离散程度。H精确、满秩且噪声独立方差σ²时，估计协方差为σ²H⁺(H⁺)ᵀ，H⁺为伪逆。前三个对角元素开方给尖端坐标标准差：小角度约9.588 mm，多样朝向约0.1277 mm，与重复试验一致。三维距离组合三个分量，故其RMSE大于单坐标标准差。

不能用同一公式声称秩五系统缺失方向的不确定性为零；那里只是伪逆施加约定，数据并无约束。如果旋转也不确定，则H本身有噪声，而不只是b，简单模型不再充分。小角度误差造成的尖端位移随法兰到尖端距离增长，长工具尤其需要注意。

从线性系统到可信验证

代码用数值稳定的分解求最小二乘。显式求HᵀH逆更不稳妥，因为其条件数是H条件数的平方，可能加重精度损失。m个姿态、六个未知量对应3m行六列，忽略常数的稠密分解成本约m·6²。这个小问题中，信息充分的几何通常比节省少量乘法更重要。

应与增加物理信息的方法比较。若独立测得c，单姿态形式上可得t=Rᵀ(c−p)，因为旋转的逆为转置。但c的测量不确定性仍进入结果，并未免费获得精度。已知长度或正则化通过外部约束缩小解集，必须声明并验证，否则会把假设提供的信息误认为标定证据。

设备验证应使用拟合之外的姿态，并尽可能采用独立计量参考。需区分重复性即重复试验的离散程度，与相对参考的准确性；量化工具变形、夹持间隙、参考点滑动和机器人运动学不确定性。这些验证只是建议，本文未执行。拟合姿态残差低只是内部检查，不是精度或安全认证。

所查Universal Robots文档描述在同一点用三个或四个不同朝向的位置学习TCP，并提示姿态差异不足的问题。这说明问题有实际意义，却不能证明厂商采用本文的模型、求解器或噪声处理。本文分析显式可复现模型，并非验证商业产品。

我们对尖端理解了什么

若许多姿态都提供同一信息，数量仍不够。确定尖端需要让全部坐标可观测的变化；稳定确定还需要变化留下的痕迹相对测量误差足够大。例子区分三个常混淆的问题：解是否唯一、对噪声多敏感、设备上多可靠？秩、条件数和独立验证分别回答它们，彼此不能替代。

工业与协作机器人是EL-AI计划探索的方向。本文帮助理解问题，并不宣布标定服务、实际安装或公司试验成果。理想模型结束之处仍有应用问题：参考质量、角度不确定性以及实际工作条件下的尖端验证。

来源与可复现性

Universal Robots — PolyScope X, SW10.12, Teaching TCP Position.

下面程序复现单轴反例。无需Rᵀ，因为联合求解堆叠姿态；lstsq同时返回秩，此处为5。归档还包括完整实验、各几何20,000次重复、绘图代码和结果。表达式和例子是本文执行的教学分析，并非经过同行评审的原创研究。

import numpy as np
I = np.eye(3)
Rz = np.array([[0.,-1,0],[1,0,0],[0,0,1]])
t = np.array([30.,-20,150]); c = np.array([500.,200,300])
Rs = [I, Rz, Rz@Rz, Rz@Rz@Rz]
H = np.vstack([np.hstack([R,-I]) for R in Rs])
b = -np.concatenate([c-R@t for R in Rs])
x, _, rank, _ = np.linalg.lstsq(H,b,rcond=None)
print("rank:", rank, "estimated tip mm:", x[:3])
print("residual mm:", np.linalg.norm(H@x-b))
# Zero residual does not identify the missing direction.

代码、数据与说明 · JSON. 教学计算使用 Python 3.14.0，图使用 Matplotlib 3.11.2。分析由 AI 辅助，不声称经过同行评审或人工审核。原创 ImageGen 封面仅作示意，不记录 EL-AI 人员、场所或实际安装。来源查阅于 2026 年 9 月 29 日。