企业官网建设流程全解析

1. 为什么偏偏是SCARA：构型本质与应用价值

1.1 从装配任务反推机器人构型

我最早接触SCARA机器人，是在一个3C电子元器件的自动装配项目里。那时候产线上需要把一颗颗小型芯片从料盘取放到PCB板的指定位置，要求速度快、定位准，而且末端姿态必须始终垂直于电路板表面。当时团队里有人提议用六轴关节臂，说通用性更强，但我算了一笔账：六轴意味着六个电机、六套减速器和六组驱动，成本直接翻倍，控制难度也上了一个台阶。后来换成了四自由度SCARA，问题一下子简化了很多。

SCARA的全称是Selective Compliance Assembly Robot Arm，翻译过来是“选择顺应性装配机器臂”。这个名字本身就点明了它的构型哲学：在水平方向上有柔性、能够顺应装配过程中的微小偏差，在垂直方向上却非常刚硬，能够承受较大的下压力。这种特性从结构上就适配插拔、压装、螺丝锁付这类的工序。如果你只是需要在平面内快速移动，同时末端还要绕垂直轴转动，SCARA几乎是最优解。

这张构型图为后面的建模定下了调子：SCARA的连杆运动主要集中在水平面内，垂直方向只有一个移动关节。所以它的运动学、动力学模型相比六轴机器人简化了许多，但也正因如此，它非常适合作为机器人建模与仿真的入门样板——模型不至于简单到没有代表性，又不会复杂到让人陷入纯公式推导的泥潭。

1.2 SCARA四自由度的分工逻辑

SCARA的四个自由度并不是随意安排的。先看前两个关节：J1和J2都是绕Z轴旋转的转动关节，它们在水平面上共同决定末端在XY平面内的位置。第三个关节J3是沿Z轴的移动关节，负责末端的升降。第四个关节J4是绕Z轴旋转的腕部关节，它决定末端工具（比如吸嘴、夹爪）的朝向角。

用一句话概括就是：J1、J2管“到哪儿”，J3管“多高”，J4管“朝哪边”。这四个关节的动作在空间上是解耦的，这给逆运动学求解带来了极大的便利。后面你会看到，SCARA的逆运动学不需要迭代逼近，可以直接用解析法解出来，这在实时控制里意义重大——因为解析解的计算时间是确定的，不会出现数值迭代不收敛的问题。

如果你用MATLAB做过其他串联机器人的建模，应该能体会到SCARA这种解耦结构的优势。RVC（机器人可视化工具）或者Robotics Toolbox里随便找一个六轴机械臂，逆解常常要调初值、设权重，稍不留神就跳到了另一组关节角。而SCARA的逆解，最多就是出现“肘部向上”和“肘部向下”两种构型，你用atan2函数一判断，干干净净。所以这篇文章我会围绕四自由度SCARA，把运动学、雅可比、动力学、Simulink仿真这一整条链路全部走一遍，所有代码都用MATLAB实现，保证你能直接跑起来。

2. 运动学建模第一步：D-H参数与正运动学推导

2.1 坐标系建立与D-H参数表

运动学建模，绕不开D-H参数法。这个方法的核心思路是：在每个关节处建立一个坐标系，然后用四个参数（连杆长度a、连杆扭转角α、关节距离d、关节角θ）描述相邻两个坐标系之间的变换关系。四个参数里通常只有一个是变量——转动关节对应θ变化，移动关节对应d变化。

具体到四自由度SCARA，连杆结构和坐标系分配如下：

• J1：基座旋转关节，绕Z0轴旋转，变量为θ1
• J2：大臂末端旋转关节，绕Z1轴旋转，变量为θ2
• J3：垂直移动关节，沿Z2轴移动，变量为d3
• J4：腕部旋转关节，绕Z3轴旋转，变量为θ4

以标准D-H法建立参数表，假设大臂长度L1=300mm，小臂长度L2=200mm，J3初始偏置为H0=400mm：

注意J3那一行，因为它是移动关节，变量是d3，θ3固定为0。同时因为SCARA结构里所有关节轴线都平行（J1、J2、J4绕Z轴，J3沿Z轴），所以α这一列全部是0，变换矩阵变成简单的旋转加平移组合，计算量大幅下降。

提示：在写正运动学的齐次变换矩阵之前，务必先把D-H参数表中零值和非零值区分清楚。我见过不少人在这一步把d3和θ4的位置搞混，导致后面所有的变换矩阵全部出错，排查起来极其痛苦。

相邻坐标系之间的齐次变换矩阵公式为：

T_i = Rot(z, θi) · Trans(z, di) · Trans(x, ai) · Rot(x, αi)

展开之后是一个4×4矩阵。因为α=0，sin和cos相关的项直接化简。关节1的变换矩阵只包含θ1和L1，关节2的变换矩阵包含θ2和L2，关节3的变换矩阵是沿Z轴平移d3，关节4的变换矩阵是绕Z轴旋转θ4。

2.2 正运动学代码实现与验证

正运动学的目标很简单：给定四个关节变量（θ1、θ2、d3、θ4），求出末端在基坐标系下的位置和姿态。SCARA的正运动学可以直接写出闭合表达式，但你最好还是用齐次变换矩阵一步步乘一遍，这样结构清晰，也方便后期扩展到带末端工具的情况。

在MATLAB里，我建议你用符号计算先验证推导，再转成数值函数。符号验证代码如下：

syms theta1 theta2 d3 theta4 L1 L2 real T01 = DH_transform(theta1, 0, L1, 0); T12 = DH_transform(theta2, 0, L2, 0); T23 = DH_transform(0, d3, 0, 0); T34 = DH_transform(theta4, 0, 0, 0); T04 = T01 * T12 * T23 * T34;

其中DH_transform是你自己写的标准D-H变换函数，把上面说到的四个参数依次传进去。这一步做完之后，你会看到T04的表达式非常规整：

• 位置部分：

  • px = L1·cos(θ1) + L2·cos(θ1+θ2)
  • py = L1·sin(θ1) + L2·sin(θ1+θ2)
  • pz = H0 - d3

• 姿态部分：末端绕Z轴的旋转角为 φ = θ1 + θ2 + θ4

这里有个细节：H0是J3移动前的初始垂直高度。如果你的装配坐标系把Z轴正方向定义为朝上，那么J3向下伸出时d3增大，pz就减小。很多人在仿真里发现末端Z坐标“越走越高”，往往就是符号约定不统一导致的。

数值验证的时候，取θ1=30°、θ2=45°、d3=100mm、θ4=0°，用上述表达式算出来的末端位置应该大约是：

px = 300·cos(30°) + 200·cos(75°) ≈ 259.81 + 51.76 = 311.57mm
py = 300·sin(30°) + 200·sin(75°) ≈ 150 + 193.19 = 343.19mm
pz = 400 - 100 = 300mm

我建议你拿到一组参考构型之后，先在Robotics Toolbox里用SerialLink和fkine函数交叉验证一遍，两边结果一致再往下走。这一步花五分钟，能帮你省掉后面排查一个小时的烦恼。

3. 逆向运动学解析解：把“末端点”变回“关节角”

3.1 平面投影法求解J1、J2

正运动学是从关节空间到操作空间，逆运动学则是反过来。SCARA之所以讨喜，是因为逆解几乎不需要费脑细胞：你只需要把末端位置投影到XY平面，就退化成了一个典型的平面两连杆问题。

设末端期望位置为(px, py, pz)，末端姿态角为φ。先解J1和J2：

在XY平面内，末端到基座的水平距离为：

r = sqrt(px² + py²)

根据余弦定理，J2的转角θ2满足：

cos(θ2) = (r² - L1² - L2²) / (2·L1·L2)

这里就出现了SCARA逆解的两种构型：当根号内取正时，小臂向上弯折；取负时，小臂向下弯折。工程上一般默认取正解，也就是让机械臂呈“肘部向上”的姿态，这样更容易避开工作台面的干涉。

θ1的求解稍微绕一点。定义辅助角β = atan2(L2·sin(θ2), L1 + L2·cos(θ2))，则：

θ1 = atan2(py, px) - β

这个式子的几何含义是：末端方向角减去连杆2在三角形中的贡献角。用atan2而不是atan，是为了保证角度落在正确的象限里。

注意：如果你不想要镜像构型，务必在逆解函数里固定θ2的符号。反复切换构型会导致后续轨迹跟踪时关节角出现“跳变”，在真实控制里就是机械臂突然抡一个大弧度，非常危险。

3.2 J3与J4的解算及代码实现

J3和J4的解算更简单。J3是垂直移动关节，直接由末端Z坐标决定：

d3 = H0 - pz

这里H0是机械臂的参考安装高度。如果你的模型中J3向上移动为正，那么表达式中的符号要相应调整。

J4是腕部旋转关节，由末端总姿态角φ减去前两个关节的贡献得到：

θ4 = φ - θ1 - θ2

由于θ1和θ2已经在前面的步骤解出，θ4就是简单的代数差。整个逆解过程不需要求逆矩阵、不需要迭代、不需要设定初值，所以计算耗时极短，非常适合写进实时控制循环。

MATLAB代码实现如下：

function q = inverseKinematics(p, phi, L1, L2, H0) px = p(1); py = p(2); pz = p(3); r = sqrt(px^2 + py^2); cos_theta2 = (r^2 - L1^2 - L2^2) / (2*L1*L2); cos_theta2 = max(-1, min(1, cos_theta2)); % 防止浮点误差越界 theta2 = acos(cos_theta2); beta = atan2(L2*sin(theta2), L1 + L2*cos(theta2)); theta1 = atan2(py, px) - beta; d3 = H0 - pz; theta4 = phi - theta1 - theta2; q = [theta1, theta2, d3, theta4]; end

这段代码里我特意加了一行max和min，因为数值计算时（r²-L1²-L2²）/(2L1L2)可能因为浮点误差略超[-1,1]区间，导致acos返回NaN。这个细节在真实项目中非常重要，你拿着末端的目标点做轨迹插补时，偶尔会遇到刚好落在工作空间边界上的点，不做保护就会崩。

4. 雅可比矩阵与奇异位形：速度层面的建模要点

4.1 几何法构造雅可比

雅可比矩阵描述的是关节速度与末端速度之间的线性映射关系。SCARA末端速度包含三个平动分量和三个转动分量，但实际只有四个关节，所以雅可比是一个6×4矩阵。

求雅可比有两条路：一条是直接对正运动学的末端位置和姿态表达式求偏导，另一条是几何法——对转动关节，末端线速度等于角速度叉乘连杆向量；对移动关节，末端线速度直接沿关节移动方向。我推荐几何法，因为物理意义直观，而且对SCARA这种简单结构，几乎可以口算出结果。

SCARA的雅可比可以分块写：

• 前两列：J1和J2旋转对末端线速度的贡献

  • J1对应 [ -L1·s1 - L2·s12 , L1·c1 + L2·c12 , 0 ]ᵀ
  • J2对应 [ -L2·s12 , L2·c12 , 0 ]ᵀ

• 第三列：J3移动，对XY平面无贡献，只在Z方向有速度，所以是[0, 0, -1]ᵀ（符号取决于你定义的d3正方向）

• 第四列：J4旋转，因为腕部在末端位置，理论上它不改变末端线速度，所以线速度部分为[0,0,0]ᵀ

角速度部分则简单得多：J1、J2、J4都绕Z轴旋转，所以角速度行是[1, 1, 0, 1]。

拼起来就是：

J = [ -L1*sin(q1) - L2*sin(q1+q2), -L2*sin(q1+q2), 0, 0; L1*cos(q1) + L2*cos(q1+q2), L2*cos(q1+q2), 0, 0; 0, 0, -1, 0; 0, 0, 0, 0; 0, 0, 0, 0; 1, 1, 0, 1 ];

4.2 奇异位形分析与MATLAB中的可观测性

有了雅可比矩阵，就可以分析SCARA的奇异位形。奇异位形是指雅可比矩阵降秩的关节构型，此时末端在某些方向上会失去控制能力，关节速度会趋于无穷大。

对SCARA而言，最典型的奇异位形是：大臂和小臂完全展开或完全重叠，即sin(θ2)=0。这种情况下，J1和J2两个关节在末端产生的线速度方向平行，末端在平面内的移动能力退化到只剩一个方向。你可以想象一个人伸直手臂，手腕只能在一条直线上推动东西，而在垂直于手臂的方向上加再大的关节力矩，末端也纹丝不动。

在MATLAB里，最简单的方法是直接算det(J(1:2, 1:2))的符号变化。对于SCARA，这个行列式的值是L1·L2·sin(θ2)，当θ2=0或θ2=π时为零。因此在仿真中设置轨迹时，尽量让θ2避开0和π附近区域。如果任务确实无法避免，就得在逆解里加入奇异回避策略，比如对关节速度做伪逆加阻尼处理：

J_inv_damped = J' / (J*J' + lambda^2 * eye(6));

这里的lambda是阻尼系数，取值很关键。lambda太大会让跟踪精度下降；太小则起不到抑制速度爆炸的作用。工程上常用的做法是依据雅可比的最小奇异值动态调整lambda，最小奇异值越小，阻尼越大。

5. 动力学建模：拉格朗日方程与惯性项的完整推导

5.1 从拉格朗日方程到标准动力学形式

动力学建模用来回答一个问题：给定关节的运动轨迹，需要多大的关节力矩才能实现？这对电机选型、关节减速比设计、轨迹规划中的加速度限制都有直接指导意义。

我用拉格朗日法推导。拉格朗日函数L定义为系统动能T减去势能U，然后对每个广义坐标求欧拉-拉格朗日方程。这里SCARA的结构优势又体现出来了：它的前两个连杆和腕部都在水平面内运动，重力势能只和J3相关，另外三个关节的重力项直接为零，这大幅简化了推导。

先说动能部分。连杆1绕基座旋转，其动能比较简单：T1 = 0.5·I1·q̇1²。连杆2做平面运动，既有绕基座的牵连运动，又有相对大臂的相对运动，所以动能会比直觉上复杂，展开之后会多出一项与cos(θ2)相关的耦合项。连杆4（腕部）从动力学角度来看，通常简化成集中在末端的一个质量块和绕自身轴线的转动惯量，不考虑其质量分布对质心位置的影响。

把所有连杆的动能和势能代入拉格朗日方程后，可以整理成机器人动力学的标准形式：

M(q)·q̈ + C(q, q̇)·q̇ + G(q) = τ

其中M(q)是惯量矩阵，C(q, q̇)是科氏力和离心力矩阵，G(q)是重力项。

5.2 惯量矩阵的具体表达式

对SCARA这个四自由度结构，M矩阵长得相当规整。用m2表示连杆2质量，r2c表示连杆2质心到大臂末端的距离，I2表示连杆2绕质心轴线的转动惯量，m4、I4分别表示腕部组件的质量和转动惯量，惯量矩阵可以写成：

M(q) =

其中：

M11 = I1 + m2·rc2² + I2 + m4·L1² + (m2·L1² + 2·m2·L1·rc2·cos(θ2) + m4·L2² + 2·m4·L1·L2·cos(θ2)) + I4
M12 = m2·rc2² + I2 + m2·L1·rc2·cos(θ2) + m4·L2² + m4·L1·L2·cos(θ2) + I4
M22 = m2·rc2² + I2 + m4·L2² + I4

看着长，但每一项都有物理意义，比如M11里带cos(θ2)的项代表连杆2的位置变化对连杆1等效惯量的影响——当小臂伸直时，整个系统的等效惯量最大，这时候J1电机需要输出的力矩也最大。这对轨迹规划是有指导意义的：如果想让机械臂跑得更快，尽量让它在惯量小的姿态下加速。

科氏力和离心力矩阵C可以用Christoffel符号从M矩阵求出来。对SCARA结构，因为M矩阵里只有cos(θ2)项是变量，最终只有一个关键的科氏力系数：

h = -m2·L1·rc2·sin(θ2) - m4·L1·L2·sin(θ2)

然后科氏力项写成：

C(q, q̇)q̇ = [ h·q̇2·(2q̇1 + q̇2), -h·q̇1², 0, 0 ]ᵀ

注意第一行有两个子项：h·q̇1·q̇2是科氏力项，h·q̇2²是离心力项。第二行的-h·q̇1²是作用在J2上的反作用力矩——J1转动时会对J2产生一个“拖拽”力矩，这在高速运动时不可忽略。

重力项G(q)更简单：前三行都是0（水平面运动，重力不做功），第四行也是0（J4轴线垂直），只有第三行对应J3的垂直移动：G3 = (m3+m4)·g。

这些推导如果靠手算很容易错，我在MATLAB里建议先用符号工具箱走一遍：

syms q1 q2 d3 q4 dq1 dq2 dd3 dq4 real syms L1 L2 rc2 m1 m2 m4 I1 I2 I4 g real % 构造M矩阵 M = [M11, M12, 0, I4; M12, M22, 0, I4; 0, 0, m3+m4, 0; I4, I4, 0, I4]; % 用Christoffel符号求C矩阵 C = sym(zeros(4)); for i = 1:4 for j = 1:4 for k = 1:4 C(i,j) = C(i,j) + 0.5*(diff(M(i,j), q(k)) + diff(M(i,k), q(j)) - diff(M(j,k), q(i))) * dq(k); end end end

这段代码不要想当然直接跑，因为M11和M12里的θ2是符号变量，diff函数对q2求导没问题，但需要注意dq向量的构造必须正确。我自己用的时候会把q定义为[q1; q2; d3; q4]，dq定义为[dq1; dq2; dd3; dq4]，这样C矩阵的计算结果直接就是C·dq。

5.3 为什么说SCARA的动力学特别适合做控制验证

SCARA的动力学模型有个突出特点：惯量矩阵中J3对应的行和列是解耦的，也就是说垂直升降运动与水平面转动运动在惯性层面互不影响。这意味着如果你要把一个复杂的控制算法移植到SCARA上，可以先在M矩阵里去掉第3行第3列，单独验证平面内的控制效果，再把J3的独立PD控制器加回来。这种分步调试策略，在实际工程里非常管用。

相比之下，六轴机器人的惯量矩阵几乎每个元素都耦合在一起，调试一个计算力矩控制器时根本分不清是哪个关节的参数没调对。所以很多搞控制算法的工程师喜欢拿SCARA做试验平台，不是因为它便宜，而是因为它的动力学结构“好拆”。

6. 联合仿真验证：让“纸面模型”真正动起来

6.1 搭建Simulink机械臂仿真框架

有了运动学和动力学模型，下一步是让模型在MATLAB/Simulink里真正动起来。很多新手到这一步喜欢直接连PID控制器，结果发现末端轨迹乱七八糟。我的建议是先把动力学仿真框架搭对，再谈控制。

最简单的动力学仿真结构是这样：给一个期望轨迹，控制器计算力矩τ，力矩输入到动力学模型，模型输出关节加速度，经过两次积分得到关节位置和速度，然后与期望轨迹比较，形成闭环。

在Simulink里，核心模块是一个MATLAB Function，内容就是动力学正问题计算：

function [qdd, qd, q] = dynamics_update(tau, q, qd, param) M = compute_M(q, param); C = compute_C(q, qd, param); G = compute_G(q, param); qdd = M \ (tau - C*qd - G); end

这里有个计算技巧：不要在Simulink里用Symbolic工具箱，那会让仿真慢到怀疑人生。预先用符号计算把M、C、G的解析表达式求出来，再用matlabFunction转成普通的m函数文件，仿真速度能提升几十倍。

另外，积分环节我习惯用离散积分器，采样时间设为1ms。如果你用连续积分器配变步长求解器，仿真过程中会出现步长自适应跳跃，导致信号噪声比离散固定步长高很多，反而更难判断控制器效果。

6.2 轨迹跟踪与控制效果

我做了一个典型的圆形轨迹跟踪实验：期望末端在XY平面内走半径为50mm的圆，圆心设置在(300, 200, 250)处，完成时间为4秒，然后在Simulink里分别用PD控制、计算力矩控制和滑模控制做对比。

关键参数设置如下：

这里有个非常值得说的细节：计算力矩控制的Kp、Kd不用调得很大，因为模型补偿已经消除了大部分非线性项。如果PD控制下的Kp要调到800才能达到期望精度，计算力矩控制往往Kp=500就够了。这也是动力学的价值所在——它让控制器从“对抗物理系统”变成“修正残差”。

仿真结果的轨迹误差，PD控制在圆形轨迹切向会有明显滞后，特别是在高速段；计算力矩控制的误差则主要来自模型参数不准确：我故意把模型里的m4增大10%，然后观察计算力矩控制的跟踪精度，结果发现在加速度较大的拐弯处出现了周期性偏差。这说明计算力矩控制对模型精度是有要求的，模型参数误差会直接转化为跟踪误差。

这个实验做完之后你应该能理解：动力学模型不只是用来算几个公式好看的，它直接决定了控制器能达到的上限。如果你只是想做个动起来的演示，PD就够了；但如果你想研究高性能运动控制，动力学模型是绕不过去的基础。

7. 建模与仿真过程中的四个常见坑

7.1 D-H参数符号约定混乱

这是我见过最多人踩的坑，我自己也踩过。标准D-H与修正D-H的坐标系定义方式不同，导致a和α的位置互换。如果你混合使用两种约定，正运动学结果会差出一个旋转变换，末端位置直接错位几百毫米。

我的建议是：一个项目里只用一种约定，并且在代码开头用注释写明你选的是哪一种。如果你没有特殊需求，就用标准D-H。然后把关节角的正方向也定义清楚。我的习惯是所有绕Z轴旋转的关节，逆时针为正。MATLAB的三角函数默认弧度制，所有角度输入输出都统一用弧度，绝对不要在rad和deg之间来回切换。

7.2 逆解中的浮点误差与边界角点

逆运动学求解时，acos函数对输入区间要求是[-1,1]，但前面提到过，浮点计算可能让cosθ2超出这个范围。这就是为什么我在逆解函数里加了那一行clip操作。另一个浮点相关的坑是：当末端轨迹正好经过工作空间边界时，r² - L1² - L2²刚好为零或负值，此时θ2 = π，机械臂处于完全伸展的奇异位形。如果你在轨迹规划时没有对期望轨迹做工作空间检查，这里就会出现NaN或者角度跳变。

实际项目里，我一般会在逆解函数内部加上一个返回值标志位，标记当前构型是否接近奇异，然后在轨迹规划层面对奇异区域做减速或重新规划。

7.3 动力学模型符号推导的校验方法

手推或代码生成动力学模型的过程中，很容易出现符号错误。最典型的错误是M矩阵不对称，或者科氏力矩阵与M矩阵的导数不满足关系式 Ṁ - 2C 的反对称性。这两个性质是动力学模型自洽的必要条件，也是你在提交仿真代码之前必须验证的。

在MATLAB里做符号校验很简单：对M的每个元素求关于时间的全导数，构造Ṁ - 2C矩阵，然后检查它是否满足反对称性。只要有一项不满足，说明推导或代码中有错误。这个校验方法是我做动力学建模多年下来最依赖的一道“安全网”。

7.4 Simulink仿真实时性与代码生成问题

最后一个坑是关于Simulink仿真的实时性。很多人在Simulink里搭建了漂亮的控制器模型，想部署到实时机上跑，结果发现模型跑一步要花远超1ms的时间，根本无法实时运行。这时候要做两件事：

第一，把所有的符号计算、循环和动态内存分配全部去掉。Simulink的代码生成器对固定大小数组、无动态内存的代码支持最好。第二，把M矩阵的求逆运算改成预先计算好的解析逆矩阵或者使用M\b操作，在代码生成时换成LAPACK的求解器，比显式求逆快很多且数值更稳定。

我见过太多人在这个环节卡住，最后不得不重新写一遍C代码。其实只要你从一开始就把MATLAB Function的代码风格往嵌入式方向靠——参数全部作为结构体传入、中间变量预先分配、避免parse和eval——生成的代码几乎可以直接用。

最后再分享一个小技巧：当你在仿真中修改了动力学参数（比如连杆质量），不要只改Simulink里的常量模块，记得把逆运动学模块和轨迹规划模块里的工作空间边界也一起更新。因为质量参数会影响关节力矩上限，进而影响实际可达的末端加速度，而轨迹规划模块如果还按原来的边界规划，就会出现仿真中力矩饱和、实际轨迹偏离期望轨迹的情况。把参数集中放在一个MATLAB结构体里统一管理，然后用assignin把它灌到模型工作空间，这样改起来不容易漏。这个习惯帮我避免了很多次“仿真看着没问题、一上真机就翻车”的尴尬。