关节空间
定义
关节空间（也称为配置空间或 C 空间）是一个数学空间，其中每个维度对应于机器人的一个关节。机器人的配置由关节值向量完全描述 — q = (q₁, q₂, ..., qₙ) — 其中每个 qᵢ 是关节角度（对于旋转关节）或线性位移（对于棱柱关节）。6 自由度机器人手臂存在于 6 维关节空间中；具有 30 个驱动关节的类人机器人占据 30 维空间。
关节空间是任务空间（也称为笛卡尔空间或操作空间）的对偶，后者描述末端执行器在物理世界中的位置和方向。从关节空间到任务空间的映射是正向运动学；反向映射是逆向运动学。这一基本区别支撑了机器人控制、规划和学习系统设计中的几乎每个决策。
关节空间与任务空间的比较
关节空间是机器人执行器的自然表示。关节空间中的命令直接映射到电机位置或速度，使执行变得直接和可预测。在两个关节配置之间插值会产生平滑的电机轨迹。然而，笛卡尔空间中的末端执行器路径可能是弯曲的、不直观的，甚至可能穿过障碍物，因为关节空间中的直线不对应于笛卡尔空间中的直线。
任务空间是任务的自然表示。人类以笛卡尔坐标思考："将夹爪向右移动 10 厘米"或"沿着这条直线跟踪以插入销钉"。任务空间控制产生直观的末端执行器路径，但需要在每个时间步求解逆运动学，这会引入奇异性问题、多个解和潜在的关节限制违反。对于冗余机器人（7+ 自由度），任务空间命令使零空间运动未指定，必须通过次要目标来解决。
大多数实用机器人系统使用混合方法：任务级目标在笛卡尔空间中指定，通过逆运动学转换为关节空间目标，然后在关节空间中进行插值和执行，并进行平滑和约束强制。
关节限制和约束
物理机器人对关节空间施加硬约束，定义配置空间的可行区域：
可行关节空间 — 满足所有限制同时避免自碰撞和环境碰撞的配置 — 称为自由配置空间。运动规划算法通过这个自由空间搜索路径。
- 位置限制 — 每个关节都有最小值和最大值（例如，-170 到 +170 度）。这些定义了关节空间中的超矩形。超出这些限制的配置在机械上是不可能的。
- 速度限制 — 最大关节速度（协作臂通常为 50-200 度/秒）限制机器人通过关节空间的移动速度。超过速度限制会触发安全停止。
- 加速度限制 — 限制速度变化的速率，影响轨迹平滑度和机器人结构所受的力。
- 扭矩限制 — 最大电机扭矩限制了可实现的有效载荷和加速度。对于类人机器人的全身控制特别重要。
机器人学习中的关节空间
在训练机器人策略时，动作空间的选择是最具影响力的设计决策之一。关节空间策略 — 其中神经网络直接输出关节角度或关节速度 — 已成为现代模仿学习中的主导方法：
为什么关节空间策略更简单：从策略输出到电机命令的映射是直接的，循环中没有逆运动学求解器。这消除了奇异性失败、逆运动学不收敛和推理时需要运动学模型的需要。ACT 和 Diffusion Policy 等策略默认在关节空间中运行。
为什么关节空间策略的可解释性较差：关节空间轨迹对人类来说很难可视化或验证。7 维关节向量不会显示夹爪是向左、向右、向上还是向下移动，除非运行正向运动学。这使得与笛卡尔策略相比，调试和安全验证更加困难，笛卡尔策略的意图在几何上是显而易见的。
何时使用任务空间策略：当任务具有强笛卡尔结构（例如，沿平面擦拭表面、跟踪轮廓）、策略必须跨具有不同运动学结构的机器人进行泛化，或必须显式强制笛卡尔安全约束时，任务空间动作空间是可取的。
策略学习的关节空间与任务空间比较
关节空间优势：推理时不需要逆运动学。没有奇异性问题。直接电机控制。更简单的训练管道。适用于单机器人系统。在当前模仿学习中占主导地位（ACT、Diffusion Policy、LeRobot 默认值）。
任务空间优势：人类可解释的动作。更容易指定笛卡尔约束。更好的跨体现迁移（"向右移动 5 厘米"的笛卡尔命令适用于任何手臂）。由遥操作界面和经典工业编程首选。
混合方法：某些系统在任务空间中训练策略并使用逆运动学执行。其他系统在关节空间中训练，但添加笛卡尔安全过滤器。Octo 和 RT-2 等基础模型尝试两者，通常在训练数据收集的任何空间中对动作进行标记化。
实际要求
校准：关节空间控制需要精确的关节编码器和适当的归零/校准。编码器漂移或错过的索引脉冲会导致沿运动学链累积的系统位置误差。
归一化：训练神经策略时，关节值应在所有关节上归一化为公共范围（通常为 [-1, 1]）。不同的关节可能具有截然不同的范围（例如，-180 到 +180 度对比 0 到 50 毫米的棱柱关节），未归一化的输入可能导致训练不稳定。
动作表示：策略可以输出绝对关节位置、关节位置增量、关节速度或关节扭矩。绝对位置对于位置控制的手臂最常见（ALOHA、Koch、SO-100）。扭矩空间策略用于力控制系统，但更难训练并需要精确的动力学模型。
雅可比矩阵：连接关节空间和任务空间
雅可比矩阵 J(q) 是关节空间和任务空间之间的数学桥梁。它将关节速度映射到末端执行器速度：v = J(q) * dq/dt，其中 v 是 6D 末端执行器速度（3 个线性 + 3 个角度），dq/dt 是关节速度向量。雅可比矩阵取决于当前关节配置 q，意味着映射随着机器人移动而改变。
雅可比矩阵对以下方面至关重要：(1) 通过雅可比伪逆方法的逆运动学；(2) 通过雅可比转置进行力映射的阻抗控制；(3) 奇异性分析（雅可比矩阵在奇异配置处失去秩）；和 (4) 可操纵性分析（雅可比矩阵的条件数或行列式表示机器人从给定配置在不同方向上的移动能力）。
对于 6 自由度机器人，J 是 6x6 矩阵。在奇异配置（手臂完全伸展、两个旋转轴对齐）处，雅可比矩阵失去秩，逆运动学解变得病态 — 小的任务空间运动需要巨大的关节速度。对于 7 自由度冗余机器人，J 是 6x7，零空间（在这种情况下为 1 维）允许机器人重新配置其关节而不改变末端执行器姿态，对于避免关节限制和奇异性很有用。
不同机器人类型的配置空间
- OpenArm 1（6 自由度）：6 维关节空间。每个关节是旋转的，范围大约为 -170 到 +170 度。配置空间是 6D 超矩形。典型的关节空间策略以 50 Hz 输出 6 个关节角度目标加一个夹爪命令。
- DK1（6 自由度 + 夹爪）：类似于 OpenArm，但关节范围和动力学不同。关节空间策略在具有相同运动学结构的手臂之间直接互换，但由于动力学差异，需要为不同的模型重新训练。
- Unitree G1 类人机器人（30+ 自由度）：完整配置空间包括腿部（12 自由度）、手臂（14 自由度）、躯干（2 自由度）和头部（2 自由度）。全身控制在这个高维关节空间中运行，通常使用分层任务分解来管理复杂性。
- 双臂 ALOHA（14 自由度）：两个 6 自由度手臂加两个夹爪。关节空间策略输出 14 维动作向量。高维度使得动作分块对于降低决策频率特别重要。