雅可比矩阵：让速度、力与奇异性说同一种语言

前三篇文章分别从螺旋轴、能量和代数出发，讨论了机器人的正运动学、动力学与刚体位姿表示。

但它们之间还缺少一座桥。

PoE 能告诉我们关节角给定以后，末端位姿在哪里；拉格朗日法会使用每根连杆质心的速度来计算动能；对偶四元数则能够复合和插值完整的刚体位姿。真正进入控制周期时，我们经常面对的却是更局部的问题：

• 关节此刻转得多快，末端会朝哪里运动？
• 想让末端沿某个方向移动，各关节应该怎样配合？
• 末端受到一个力，电机上会出现多大的力矩？
• 为什么某些姿态下，机器人明明还有电机，却突然失去了一个运动方向？

这些问题都指向同一个对象：雅可比矩阵（Jacobian matrix）。

最常见的速度关系是：

$$\dot x=J(q)\dot q$$

它看起来只是一条矩阵乘法，但背后同时连接着三件事：

$$\text{关节速度} \xrightarrow{\;J\;} \text{末端速度}, \qquad \text{末端力} \xrightarrow{\;J^{\scriptscriptstyle\mathsf T}\;} \text{关节力矩}$$

当 $J$ 失去秩时，速度映射丢失方向，力映射也随之发生剧烈变化，这就是奇异性最直接的来源。

雅可比并不是机器人专属的矩阵。它来自多变量微积分，本质是一个非线性映射在当前点附近的最佳一阶近似。机器人学真正特别的地方，是让这张局部导数表同时获得了清晰的几何与物理意义。

1. 从一条曲线的斜率开始

先暂时忘掉机械臂。设一个标量函数：

$$y=f(x)$$

在 $x$ 附近发生一个很小的变化 $\delta x$，函数值的变化近似为：

$$\delta y\approx\frac{df}{dx}\delta x$$

导数 $df/dx$ 告诉我们：输入在这一点附近变化一点，输出会怎样变化。

把输入和输出都换成向量：

$$x=f(q), \qquad q\in\mathbb R^n, \quad x\in\mathbb R^m$$

每个输出分量都可能依赖每个输入分量，于是导数自然变成一张矩阵：

$$J(q)=\frac{\partial f}{\partial q} = \begin{bmatrix} \dfrac{\partial f_1}{\partial q_1}&\cdots&\dfrac{\partial f_1}{\partial q_n}\\ \vdots&\ddots&\vdots\\ \dfrac{\partial f_m}{\partial q_1}&\cdots&\dfrac{\partial f_m}{\partial q_n} \end{bmatrix}$$

在当前构型附近：

$$\delta x\approx J(q)\delta q$$

若 $q$ 随时间变化，两边除以时间并取极限，就得到：

$$\dot x=J(q)\dot q$$

这就是机器人雅可比最朴素的来历。

1.1 它是一张随姿态变化的局部地图

雅可比不是一台机器人的固定参数，而是构型 $q$ 的函数。同一组关节速度，在不同姿态下可能让末端朝完全不同的方向运动。

这也解释了为什么正运动学与雅可比承担不同任务：

• 正运动学 $x=f(q)$ 回答“现在在哪里”；
• 雅可比 $\dot x=J(q)\dot q$ 回答“从这里出发，微小运动怎样传播”。

它只是一阶局部关系。若关节一步走得很大，直接用 $J(q)\Delta q$ 预测末端位移会逐渐偏离真实非线性运动；这时需要缩小步长，或者重新计算沿途的雅可比。

1.2 雅可比的列究竟是什么

把矩阵按列写开：

$$\dot x =J_1(q)\dot q_1+cdots+J_n(q)\dot q_n$$

令所有关节速度为零，只让第 $i$ 个关节以单位速度运动：

$$\dot q_i=1, \qquad \dot q_{j\ne i}=0$$

此时末端速度就是 $J_i(q)$。因此，雅可比的第 $i$ 列，就是第 $i$ 个关节单独以单位速度运动时，对任务速度产生的贡献。

这个观察非常重要。它让雅可比不再只是“对正运动学求偏导”，而成为一组可以直接从关节轴和机构几何中读出的速度基向量。

2. 平面 2R：先让雅可比变得可见

考虑一台平面两转动关节机械臂。两根连杆长度分别为 $L_1,L_2$，关节角为 $q_1,q_2$，末端点为 $p=(x,y)^{\scriptscriptstyle\mathsf T}$。

正运动学为：

$$x=L_1\cos q_1+L_2\cos(q_1+q_2)$$ $$y=L_1\sin q_1+L_2\sin(q_1+q_2)$$

对 $q_1,q_2$ 求偏导：

$$J_p(q)= \begin{bmatrix} -L_1\sin q_1-L_2\sin(q_1+q_2)&-L_2\sin(q_1+q_2)\\ L_1\cos q_1+L_2\cos(q_1+q_2)&L_2\cos(q_1+q_2) \end{bmatrix}$$

于是：

$$\dot p=J_p(q) \begin{bmatrix} \dot q_1\\ \dot q_2 \end{bmatrix}$$

公式并不复杂，但几何解释比逐项求导更值得记住。

定义平面内逆时针旋转 $90^\circ$ 的矩阵：

$$E= \begin{bmatrix} 0&-1\\ 1&0 \end{bmatrix}$$

设两个关节中心分别为 $o_1,o_2$，那么雅可比的两列可以直接写成：

$$J_{p,1}=E(p-o_1), \qquad J_{p,2}=E(p-o_2)$$

因为转动关节产生的瞬时速度，总是垂直于“关节中心指向该点”的半径：

• 关节 1 转动时，末端绕基座画圆，速度沿大圆的切线；
• 关节 2 转动时，末端绕肘部画圆，速度沿小圆的切线；
• 两个关节同时运动时，真实末端速度就是这两个切向速度的线性组合。

这就是“看图写雅可比”的本质：找到每个关节单独运动时，任务点会获得怎样的瞬时速度。

3. 从点速度回到旋量与 PoE

上一节只关心二维末端位置，因此 $J_p$ 是一张 $2\times2$ 矩阵。空间机器人通常还要描述末端角速度，这时任务速度不再只是 $\dot p$，而是六维 twist：

$$\mathcal V= \begin{bmatrix} \boldsymbol\omega\\ \boldsymbol v \end{bmatrix}$$

若采用空间坐标系表达：

$$\mathcal V_s=J_s(q)\dot q$$

$J_s$ 称为空间雅可比。对于 PoE 正运动学：

$$T(q)=e^{[\mathcal S_1]q_1} e^{[\mathcal S_2]q_2}\cdots e^{[\mathcal S_n]q_n}M$$

它的空间雅可比可以按列写成：

$$J_s(q)= \begin{bmatrix} \mathcal S_1& \operatorname{Ad}_{e^{[\mathcal S_1]q_1}}\mathcal S_2& \cdots& \operatorname{Ad}_{e^{[\mathcal S_1]q_1}\cdots e^{[\mathcal S_{n-1}]q_{n-1}}}\mathcal S_n \end{bmatrix}$$

第一列就是第一根空间螺旋轴；后面的每根轴，则被前面已经发生的关节运动带到当前构型。PoE 不需要先把正运动学完全展开成一大串三角函数，再逐项求偏导，而是直接沿着关节链递推每一列的几何作用。

若 twist 在末端固连坐标系表达：

$$\mathcal V_b=J_b(q)\dot q$$

空间雅可比与本体雅可比满足：

$$J_b(q)=\operatorname{Ad}_{T^{-1}(q)}J_s(q)$$

它们描述同一个物理运动，只是使用了不同坐标系。

3.1 twist 中的线速度不是“末端原点速度”的固定同义词

这里有一个很容易被忽略的细节。采用 $(\boldsymbol\omega,\boldsymbol v)$ 排列的空间 twist 时，$\boldsymbol v$ 是速度场在空间坐标原点处的线速度参数。空间中一点 $p$ 的速度为：

$$\dot p=\boldsymbol\omega\times p+\boldsymbol v$$

因此，从六维 twist 雅可比取出点速度雅可比时，必须把任务点的位置考虑进去。只有在明确了 twist 的定义、参考点和表达坐标系以后，“雅可比的线速度部分”才不会产生歧义。

3.2 几何雅可比与解析雅可比不是一回事

几何雅可比映射到角速度与线速度：

$$\begin{bmatrix} \boldsymbol\omega\\ \dot p \end{bmatrix} =J_g(q)\dot q$$

解析雅可比则可能把姿态写成欧拉角 $\eta$：

$$\begin{bmatrix} \dot p\\ \dot\eta \end{bmatrix} =J_a(q)\dot q$$

欧拉角导数 $\dot\eta$ 一般不等于角速度 $\boldsymbol\omega$，二者之间还需要一个随姿态变化的转换矩阵。该转换本身也可能在某些欧拉角姿态下奇异。

所以，讨论“雅可比奇异”之前，必须先说明任务变量是什么。机构的几何奇异与某套姿态参数自身的坐标奇异，不能混为一谈。

4. 转置为什么会把末端力变成关节力矩

速度映射使用 $J$：

$$\mathcal V=J(q)\dot q$$

力映射为什么会自然出现 $J^{\scriptscriptstyle\mathsf T}$？答案不是记忆公式，而是瞬时功率守恒。

设 $\mathcal W$ 是机器人希望在任务空间中输出的 wrench，其正方向与 $\mathcal V$ 采用同一功率约定：

$$\mathcal W= \begin{bmatrix} \boldsymbol m\\ \boldsymbol f \end{bmatrix}$$

末端功率为：

$$\mathcal P =\mathcal W^{\scriptscriptstyle\mathsf T}\mathcal V$$

关节侧功率为：

$$\mathcal P =\tau^{\scriptscriptstyle\mathsf T}\dot q$$

理想刚性传动中，两边描述的是同一份瞬时功率。代入 $\mathcal V=J\dot q$：

$$\mathcal W^{\scriptscriptstyle\mathsf T}J\dot q =\tau^{\scriptscriptstyle\mathsf T}\dot q$$

对任意允许的 $\dot q$ 都成立，因此：

$$\boxed{\tau=J^{\scriptscriptstyle\mathsf T}\mathcal W}$$

对于只受二维末端力 $f$ 的平面 2R 机械臂：

$$\tau=J_p^{\scriptscriptstyle\mathsf T}f$$

把 $J_p$ 的列记作 $J_{p,1},J_{p,2}$，则：

$$\tau_i=J_{p,i}^{\scriptscriptstyle\mathsf T}f$$

这正是熟悉的“力乘力臂”。第 $i$ 列给出了关节 $i$ 单位转速产生的末端速度方向；与末端力做功率内积，就得到该力对关节 $i$ 产生的力矩。

4.1 不要把力映射写成雅可比的逆

常见误解是：速度使用 $J$，力就应该使用 $J^{-1}$。实际上，力和速度属于互为对偶的空间，保持功率配对所需要的是转置。

只有在方阵、满秩并且确实要从关节力矩反求末端等效力时，才可能写出：

$$\mathcal W= \left(J^{\scriptscriptstyle\mathsf T}\right)^{-1}\tau$$

冗余、欠驱动或奇异情况下，这个逆并不存在；此时必须结合约束、伪逆或具体的力分配目标。

同样重要的是，$J$ 与 $\mathcal W$ 必须使用相同的 twist 排列、参考点和表达坐标系。空间雅可比不能直接乘一个在末端坐标系表达的 wrench。若 $\mathcal W_{\text{ext}}$ 表示环境施加在机器人上的外力，而 $\tau$ 表示电机为维持静力平衡提供的力矩，则平衡式应写成 $\tau+J^{\scriptscriptstyle\mathsf T}\mathcal W_{\text{ext}}=0$；符号差异来自作用力方向，而不是雅可比转置关系改变了。

5. 奇异性：不是行列式突然等于零

雅可比把关节速度空间映射到任务速度空间。若某些任务方向无法再由关节速度组合出来，映射的像空间就会缩小，也就是：

$$\operatorname{rank}J(q) <\min(m,n)$$

这才是奇异性的本质：雅可比失去秩，机器人丢失了一个或多个独立的瞬时运动方向。

对于平面 2R 的位置雅可比：

$$\det J_p=L_1L_2\sin q_2$$

所以：

$$q_2=0 \quad\text{或}\quad q_2=\pi$$

时，两个雅可比列向量共线。几何上，两根连杆完全伸直或折叠，两个关节单独产生的末端切向速度落在同一条直线上；无论怎样组合 $\dot q_1,\dot q_2$，都无法获得另一个独立方向。

5.1 奇异附近为什么会出现很大的关节速度

假设我们希望末端产生速度 $\dot x_d$，并写成：

$$\dot q=J^{-1}\dot x_d$$

接近奇异位形时，$J$ 在某个方向上的缩放因子变得很小。为了得到有限的末端速度，逆映射只能把对应关节速度放得很大。

这并不是数值算法“算坏了”，而是机构几何在告诉我们：机器人几乎无法沿那个方向运动。

5.2 任务定义决定奇异性

同一台机器人，针对不同任务可能有不同雅可比：

• 只控制末端位置；
• 同时控制位置与姿态；
• 只控制工具轴方向；
• 控制接触点沿表面的两个切向速度。

一个构型对六维位姿任务可能奇异，对三维位置任务却未必奇异。因此，“机器人处于奇异位形”这句话如果没有任务空间和坐标约定，信息并不完整。

关节限位也不是严格意义上的雅可比奇异。它会让某些速度在物理上不可执行，产生类似丢失方向的效果，但根源是可行域边界，而不是 $J$ 自身失秩。

6. 用奇异值把方向能力画出来

仅仅知道“是否奇异”还不够。很多时候，我们更关心机器人离奇异还有多远，以及它更擅长沿哪些方向运动。

对雅可比作奇异值分解：

$$J=U\Sigma V^{\scriptscriptstyle\mathsf T}$$

其中：

$$\Sigma=\operatorname{diag}(\sigma_1,\ldots,\sigma_r), \qquad \sigma_1\ge\cdots\ge\sigma_r\ge0$$

把单位关节速度球：

$$\|\dot q\|\le1$$

通过 $J$ 映射到任务空间，就得到速度可操作度椭球。椭球主轴方向是 $U$ 的列，半轴长度是奇异值 $\sigma_i$。

• 大奇异值方向：很小的关节速度就能产生较大的末端速度；
• 小奇异值方向：机器人不擅长运动；
• 某个奇异值变为零：椭球塌缩，进入奇异位形。

6.1 Yoshikawa 可操作度

对于任务维度不高于关节自由度、且采用一致尺度的速度雅可比，常见的 Yoshikawa 可操作度指标为：

$$w(q)=\sqrt{\det\left(JJ^{\scriptscriptstyle\mathsf T}\right)} =\prod_i\sigma_i$$

它与速度椭球的体积成比例：任一必要奇异值趋近于零，$w$ 也会趋近于零。

不过，这个标量不能代替完整的椭球。两个姿态可能拥有相同体积，却一个细长、一个均匀；前者在某个方向上仍然很脆弱。工程上通常还会同时观察：

$$\sigma_{\min}, \qquad \kappa(J)=\frac{\sigma_{\max}}{\sigma_{\min}}$$

分别描述最弱方向与条件数。

6.2 速度椭球与力椭球互为对偶

若约束关节力矩满足 $\|\tau\|\le1$，又有 $\tau=J^{\scriptscriptstyle\mathsf T}f$，则末端力满足：

$$f^{\scriptscriptstyle\mathsf T}JJ^{\scriptscriptstyle\mathsf T}f\le1$$

沿速度椭球奇异值为 $\sigma_i$ 的方向，力椭球半轴长度为 $1/\sigma_i$。

这是一种很漂亮的互补关系：

• 容易产生高速运动的方向，抵抗或输出静态力的机械优势较小；
• 难以运动的方向，理论上的静态力放大能力较强；
• 到达理想刚性模型的奇异点时，某些静力映射会趋向无穷，这同时意味着模型对柔性、间隙和结构变形极其敏感，不能把“无穷大力”当作真实机器的能力。

6.3 线速度和角速度不能随意放进同一个欧氏球

六维几何雅可比同时含有角速度与线速度，二者单位不同。直接计算 $JJ^{\scriptscriptstyle\mathsf T}$、条件数或椭球，会隐含一个旋转和平移的相对尺度。

因此，比较空间机械臂的综合可操作度时，应明确特征长度、任务权重或单位归一化。没有尺度说明的“全局可操作度排名”，往往比公式看起来更主观。

7. 并联机构：一张雅可比不再够用

串联机器人通常直接写成：

$$\dot x=J(q)\dot q$$

并联机构还要同时满足多条支链的闭环约束。对于平面五杆机构，更自然的速度形式是：

$$A(q)\dot p=B(q)\dot q_a$$

$\dot q_a$ 只包含两个主动关节速度，$\dot p$ 是末端二维速度。矩阵 $A$ 与 $B$ 分别揭示两类不同的退化。

设左右基座关节为 $O_L,O_R$，两个肘部为 $C_L,C_R$，末端为 $P$。左右近端连杆方向单位向量为 $a_L,a_R$，远端连杆方向单位向量为 $u_L,u_R$。

左支链速度可以写成：

$$\dot p =L_1Ea_L\dot q_L +L_2Eu_L\dot\phi_L$$

$\phi_L$ 是左侧远端连杆的绝对方向，属于被动变量。用 $u_L^{\scriptscriptstyle\mathsf T}$ 左乘：

$$u_L^{\scriptscriptstyle\mathsf T}\dot p =L_1u_L^{\scriptscriptstyle\mathsf T}Ea_L\dot q_L$$

因为：

$$u_L^{\scriptscriptstyle\mathsf T}Eu_L=0$$

被动速度项精确消失。右侧同理，最终得到：

$$\underbrace{ \begin{bmatrix} u_L^{\scriptscriptstyle\mathsf T}\\ u_R^{\scriptscriptstyle\mathsf T} \end{bmatrix}}_{A} \dot p = \underbrace{ \begin{bmatrix} L_1u_L^{\scriptscriptstyle\mathsf T}Ea_L&0\\ 0&L_3u_R^{\scriptscriptstyle\mathsf T}Ea_R \end{bmatrix}}_{B} \begin{bmatrix} \dot q_L\\ \dot q_R \end{bmatrix}$$

7.1 支链奇异：驱动传不出去

若 $B$ 的某个对角元素为零：

$$u_L^{\scriptscriptstyle\mathsf T}Ea_L=0 \quad\text{或}\quad u_R^{\scriptscriptstyle\mathsf T}Ea_R=0$$

说明该侧近端与远端连杆共线。主动关节速度无法有效产生某个末端速度方向。这类退化常称为支链奇异或串联奇异。

7.2 并联奇异：约束撑不住末端

若 $A$ 失去秩，左右两个远端连杆方向平行或共线：

$$\det A=0$$

此时两条支链施加在末端上的独立约束方向合并成一个。即使主动关节锁住，理想机构仍可能存在非零的末端瞬时运动。这类并联奇异往往比串联机器人奇异更危险，因为它意味着末端失去约束刚度。

所以，并联机器人不能只计算一个 $J=A^{-1}B$ 后就忘掉它的来源。$A$ 不可逆与 $B$ 降秩对应不同物理现象，应该分别保留和监测。

8. 从速度控制走向数值逆运动学

给定期望末端速度 $\dot x_d$，如果 $J$ 是方阵且满秩，可以直接写：

$$\dot q=J^{-1}\dot x_d$$

一般机器人更常遇到非方阵或冗余情形，此时使用 Moore-Penrose 伪逆：

$$\dot q=J^+\dot x_d$$

它给出满足任务速度的最小二范数关节速度解。若任务维度不高于关节数且 $J$ 满行秩：

$$J^+=J^{\scriptscriptstyle\mathsf T} \left(JJ^{\scriptscriptstyle\mathsf T}\right)^{-1}$$

但接近奇异位形时，小奇异值的倒数仍会把速度和噪声强烈放大。

8.1 阻尼最小二乘

阻尼最小二乘（Damped Least Squares，DLS）不再要求精确满足任务速度，而是求解：

$$\min_{\dot q} \left( \|J\dot q-\dot x_d\|^2 +\lambda^2\|\dot q\|^2 \right)$$

解为：

$$\dot q =J^{\scriptscriptstyle\mathsf T} \left(JJ^{\scriptscriptstyle\mathsf T}+\lambda^2I\right)^{-1} \dot x_d$$

在奇异值方向上：

$$\frac{1}{\sigma_i} \quad\longrightarrow\quad \frac{\sigma_i}{\sigma_i^2+\lambda^2}$$

伪逆增益会在 $\sigma_i\to0$ 时发散；DLS 增益则回到零，用有限的任务误差换取有界关节速度。

$\lambda$ 不是越大越安全：阻尼过大时，远离奇异点也会产生明显跟踪误差。常见做法是根据 $\sigma_{\min}$、可操作度或任务误差自适应调节阻尼，并同时限制关节速度。

8.2 冗余机器人的零空间

当关节数多于任务维度时，满足末端速度的解通常不唯一：

$$\dot q =J^+\dot x_d +\left(I-J^+J\right)z$$

第二项位于 $J$ 的零空间中，因为：

$$J\left(I-J^+J\right)z=0$$

它可以在不改变一阶末端任务的前提下，用来远离关节限位、提高可操作度、避障或保持某种姿态。

这里要保留“一阶”两个字。有限时间积分、模型误差和任务优先级切换都可能造成漂移，实际控制器还需要重新投影和反馈修正。

9. 雅可比怎样进入拉格朗日动力学

在拉格朗日法中，第 $i$ 根连杆质心的线速度和角速度写成：

$$v_{c_i}=J_{v_i}(q)\dot q, \qquad \omega_i=J_{\omega_i}(q)\dot q$$

代入动能：

$$T_i =\frac12m_i v_{c_i}^{\scriptscriptstyle\mathsf T}v_{c_i} +\frac12\omega_i^{\scriptscriptstyle\mathsf T}I_i\omega_i$$

其中 $I_i$ 必须与 $\omega_i$ 在同一坐标系表达。代入以后，可以直接看到每根连杆对质量矩阵的贡献：

$$M(q) =\sum_i \left( m_iJ_{v_i}^{\scriptscriptstyle\mathsf T}J_{v_i} +J_{\omega_i}^{\scriptscriptstyle\mathsf T}I_iJ_{\omega_i} \right)$$

这条公式把前两篇文章真正接了起来：雅可比负责把广义速度传到每根连杆，拉格朗日法再用这些速度计算系统能量。

若存在闭环或接触约束：

$$\phi(q)=0$$

对时间求导得到：

$$J_c(q)\dot q=0, \qquad J_c=\frac{\partial\phi}{\partial q}$$

对应的理想约束力以：

$$J_c^{\scriptscriptstyle\mathsf T}\lambda$$

进入广义动力学。速度约束使用 $J_c$，约束力使用 $J_c^{\scriptscriptstyle\mathsf T}$，依然是同一组功率对偶关系。

在满足满秩等条件时，任务空间等效惯量还可以写成：

$$\Lambda(q) =\left(JM^{-1}J^{\scriptscriptstyle\mathsf T}\right)^{-1}$$

它描述机器人沿不同末端方向表现出的惯性。仅看运动学速度椭球，并不能完整代表高动态运动能力；质量分布、执行器能力和姿态都会通过动力学继续改变结果。

10. 工程实现最容易出错的地方

10.1 先写清任务、参考点和坐标系

同一个机器人可能同时存在：

• 空间雅可比与本体雅可比；
• 几何雅可比与解析雅可比；
• 工具坐标原点、法兰中心或接触点的雅可比；
• $(\boldsymbol\omega,\boldsymbol v)$ 与 $(\boldsymbol v,\boldsymbol\omega)$ 两种六维排列。

如果接口只返回一个名为 J 的矩阵，却没有这些约定，后续的速度、力和控制计算很容易在维度正确的情况下悄悄出错。

10.2 用李群有限差分验证空间雅可比

对第 $i$ 个关节加入小扰动 $h$。若要验证本体雅可比，可以计算：

$$\Delta T_b =T^{-1}(q)T(q+h e_i)$$

然后：

$$J_{b,i} \approx \frac{1}{h} \operatorname{Log}(\Delta T_b)^\vee$$

若验证空间雅可比，则使用：

$$\Delta T_s =T(q+h e_i)T^{-1}(q)$$ $$J_{s,i} \approx \frac{1}{h} \operatorname{Log}(\Delta T_s)^\vee$$

只对位置坐标做差分无法验证角速度部分；直接对旋转矩阵元素相减，也不是合法的姿态误差向量。

10.3 差分步长不能只取“越小越好”

$h$ 太大时，截断误差明显；$h$ 太小时，浮点相消会放大舍入误差。可以在多个数量级上扫描步长，观察误差是否先下降后上升，并与自动微分或独立实现交叉检查。

10.4 用奇异值而不是固定行列式阈值

非方阵雅可比没有行列式；即使是方阵，行列式也会随单位和尺度剧烈变化。工程上更适合监测：

$$\sigma_{\min}, \qquad \frac{\sigma_{\min}}{\sigma_{\max}}, \qquad \kappa(J)$$

阈值应结合单位归一化、噪声水平、速度上限和具体任务确定，而不是复制一个脱离系统尺度的常数。

10.5 伪逆不是完整控制器

$\dot q=J^+\dot x_d$ 只解决瞬时速度分配。真实机器人还需要：

• 位置或位姿误差反馈；
• 关节位置、速度和加速度限制；
• 奇异与关节限位回避；
• 碰撞、接触和闭环约束；
• 离散积分与通信延迟处理。

一条漂亮的伪逆公式，不会自动把这些工程边界消失掉。

11. 一套更可靠的雅可比检查流程

把雅可比用于控制或优化以前，可以依次完成下面这些检查：

1. 明确输入关节的顺序、单位和正方向；
2. 明确输出任务的维度、参考点、坐标系和六维排列；
3. 在简单零位下，逐列检查单关节单位速度的几何方向；
4. 用李群有限差分或自动微分核对随机姿态；
5. 验证功率一致性 $\mathcal W^{\scriptscriptstyle\mathsf T}J\dot q=(J^{\scriptscriptstyle\mathsf T}\mathcal W)^{\scriptscriptstyle\mathsf T}\dot q$；
6. 扫描工作空间中的 $\sigma_{\min}$ 与条件数；
7. 对已知伸直、折叠或闭环共线构型检查奇异方向；
8. 在奇异附近验证速度限幅、阻尼和故障处理；
9. 对并联机构分别保留 $A$ 与 $B$，不要只检查组合后的逆映射；
10. 与 CAD、仿真或另一套独立运动学实现交叉验证。

其中，功率一致性尤其有用。它不只检查矩阵尺寸，还会同时暴露坐标系、twist 排列、参考点和转置方向错误。

12. 回到最初的问题

雅可比最初只是一个局部导数：

$$\delta x\approx J(q)\delta q$$

进入机器人学以后，它逐渐展现出多层含义：

$$\dot x=J(q)\dot q$$

描述关节运动怎样汇聚成末端速度；

$$\tau=J^{\scriptscriptstyle\mathsf T}\mathcal W$$

描述末端力怎样回到关节；

$$\operatorname{rank}J<\min(m,n)$$

揭示机构何时丢失独立方向；

$$J=U\Sigma V^{\scriptscriptstyle\mathsf T}$$

则把这种方向能力展开成可以观察的速度椭球、力椭球与条件数。

所以，雅可比不是正运动学之后附带的一张偏导数表。它是机器人局部运动的核心接口：一边连接几何，一边连接力与能量；向前通往逆运动学、轨迹规划和冗余控制，向后又能回到奇异性、约束与机构设计。

前三篇文章讨论的三种语言，也在这里第一次同时出现：

• 旋量与 PoE 提供雅可比每一列的几何来源；
• 拉格朗日法通过质心雅可比把速度写进动能；
• 对偶四元数与 $SE(3)$ 的误差可以通过对数映射转成局部 twist，再交给雅可比处理。

它们描述的从来不是三套彼此分离的数学，而是同一台机器人在不同尺度上的运动结构。

参考与延伸阅读

• Kevin M. Lynch, Frank C. Park, Modern Robotics: Mechanics, Planning, and Control — Chapter 5, Velocity Kinematics and Statics
• Richard M. Murray, Zexiang Li, S. Shankar Sastry, A Mathematical Introduction to Robotic Manipulation
• Tsuneo Yoshikawa, Manipulability of Robotic Mechanisms, 1985
• Samuel R. Buss, Introduction to Inverse Kinematics with Jacobian Transpose, Pseudoinverse and Damped Least Squares Methods
• Oussama Khatib, A Unified Approach for Motion and Force Control of Robot Manipulators: The Operational Space Formulation, 1987