[足式机器人]Part3 机构运动学与动力学分析与建模 Ch01-2 完整定常系统——杆组RRR

本文主要是介绍[足式机器人]Part3 机构运动学与动力学分析与建模 Ch01-2 完整定常系统——杆组RRR,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

机械原理/机构简图/机构运动学推导/Kmtool.pkg
曲柄滑块机构运动学,五杆机构运动学,七杆机构运动学
本文仅供学习使用,总结很多本现有讲述运动学或动力学书籍后的总结,从矢量的角度进行分析,方法比较传统,但更易理解,并且现有的看似抽象方法,两者本质上并无不同。
2024年底本人学位论文发表后方可摘抄
若有帮助请引用
本文参考:
《空间机构的分析与综合(上册)》-张启先,感谢张启先先生对机构学的卓越贡献,希望下册有见天明之日!
《高等机构学》-白师贤
《高等空间机构学》-黄真
《机构运动微分几何学分析与综合》-王德伦

食用方法
什么是杆组?——自行学习机械原理内容
理解为什么需要编写杆组程序——基本杆组自由度为0
杆组程序的好处——所有机构都可拆分杆组,无需从头推导闭环矢量方程
六杆机构是不是也很简单了?
三级杆组?四级杆组?你能编写么?
务必自己计算编写程序

机构运动学与动力学分析与建模 Ch00-1-2 完整定常系统——杆组RRR

  • 1. RRR杆组
    • 1.1 公式推导
      • 1.1.1几何法
      • 1.1.2 公式推导——三角函数求解法
    • 1.2 程序说明
      • 1.2.1 输入变量
      • 1.2.2 输出变量
      • 1.2.3 哑元(中间变量)
      • 1.2.4 输入数据格式
      • 1.2.5 输出数据格式
      • 1.2.6 计算流程图
    • 1.3 程序算例
      • 1.3.1 四杆机构+单开链串联
      • 1.3.2 五杆机构——逆解
      • 1.3.3 双平行四边形——逆解
      • 1.3.4 七杆机构——优化求解


1. RRR杆组

1.1 公式推导

1.1.1几何法

下述公式中的投影参数都是基于坐标系 { F } \left\{ F \right\} {F}进行描述的

已知杆组RRR两端回转副位置参数: A : ( x A , y A ) , C : ( x C , y C ) A:(x_A,y_A),C:(x_C,y_C) A:(xA,yA),C:(xC,yC) ,求解中间回转副B位置参数(要求B点位置存在——满足三角形存在条件)
在这里插入图片描述
其中,AC长为: l A C = ( x C − x A ) 2 + ( y C − y A ) 2 l_{AC}=\sqrt{(x_C-x_A)^2+(y_C-y_A)^2} lAC=(xCxA)2+(yCyA)2 ,且有:
{ φ = a r c tan ⁡ ( z C − z A x C − x A ) ∈ ( − π 2 , π 2 ) d = l A C α 1 = a r c cos ⁡ ( l A B 2 + l A C 2 − l B C 2 2 l A B l A C ) ∈ ( 0 , π ) α 2 = a r c cos ⁡ ( l A B 2 + l B C 2 − l A C 2 2 l A B l B C ) ∈ ( 0 , π ) α 3 = a r c cos ⁡ ( l A C 2 + l B C 2 − l A B 2 2 l A C l B C ) ∈ ( 0 , π ) \left\{ \begin{array}{c} \varphi =\mathrm{arc}\tan \left( \frac{z_C-z_A}{x_C-x_A} \right) \in (-\frac{\pi}{2},\frac{\pi}{2})\\ d=l_{AC}\\ \alpha _1=\mathrm{arc}\cos \left( \frac{{l_{AB}}^2+{l_{AC}}^2-{l_{BC}}^2}{2l_{AB}l_{AC}} \right) \in (0,\pi )\\ \alpha _2=\mathrm{arc}\cos \left( \frac{{l_{AB}}^2+{l_{BC}}^2-{l_{AC}}^2}{2l_{AB}l_{BC}} \right) \in (0,\pi )\\ \alpha _3=\mathrm{arc}\cos \left( \frac{{l_{AC}}^2+{l_{BC}}^2-{l_{AB}}^2}{2l_{AC}l_{BC}} \right) \in (0,\pi )\\ \end{array} \right. φ=arctan(xCxAzCzA)(2π,2π)d=lACα1=arccos(2lABlAClAB2+lAC2lBC2)(0,π)α2=arccos(2lABlBClAB2+lBC2lAC2)(0,π)α3=arccos(2lAClBClAC2+lBC2lAB2)(0,π)
建立闭环矢量方程: R ⃗ F A + l ⃗ A B + l ⃗ B C = R ⃗ F C \vec{R}_{FA}+\vec{l}_{AB}+\vec{l}_{BC}=\vec{R}_{FC} R FA+l AB+l BC=R FC ,向固定坐标系基矢量投影,可得:
{ i ^ f : x A + l A B cos ⁡ θ A + l B C cos ⁡ θ B = x C j ^ f : y A + l A B sin ⁡ θ A + l B C sin ⁡ θ B = y C \left\{ \begin{array}{l} \hat{i}^f:x_A+l_{AB}\cos \theta _A+l_{BC}\cos \theta _B=x_C\\ \hat{j}^f:y_A+l_{AB}\sin \theta _A+l_{BC}\sin \theta _B=y_C\\ \end{array} \right. {i^f:xA+lABcosθA+lBCcosθB=xCj^f:yA+lABsinθA+lBCsinθB=yC
其中,位置参数 A : ( x A , y A ) , C : ( x C , y C ) A:(x_A,y_A),C:(x_C,y_C) A:(xA,yA),C:(xC,yC)已知 ,杆长 l A B , l B C l_{AB},l_{BC} lAB,lBC已知,求解可得:
θ A 1 = { φ + α 1 ( x C − x A ≥ 0 ) φ + α 1 + π ( x C − x A ≤ 0 ) , θ A 2 = { φ − α 1 ( x C − x A ≥ 0 ) φ − α 1 + π ( x C − x A ≤ 0 ) \theta _{A1}=\left\{ \begin{array}{c} \varphi +\alpha _1(x_C-x_A\ge 0)\\ \varphi +\alpha _1+\pi (x_C-x_A\le 0)\\ \end{array} \right. ,\theta _{A2}=\left\{ \begin{array}{c} \varphi -\alpha _1(x_C-x_A\ge 0)\\ \varphi -\alpha _1+\pi (x_C-x_A\le 0)\\ \end{array} \right. θA1={φ+α1(xCxA0)φ+α1+π(xCxA0),θA2={φα1(xCxA0)φα1+π(xCxA0)
θ B 1 = θ A 1 − π + α 2 , θ B 2 = θ A 2 − π − α 2 \theta _{B1}=\theta _{A1}-\pi +\alpha _2,\theta _{B2}=\theta _{A2}-\pi -\alpha _2 θB1=θA1π+α2,θB2=θA2πα2
则B点坐标为: ( x A + l A B cos ⁡ θ A , y A + l A B sin ⁡ θ A ) (x_A+l_{AB}\cos \theta _A,y_A+l_{AB}\sin \theta _A) (xA+lABcosθA,yA+lABsinθA)

  • 构件运动参数:
    将闭环矢量方程对时间 t t t 求导:

这篇关于[足式机器人]Part3 机构运动学与动力学分析与建模 Ch01-2 完整定常系统——杆组RRR的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/660430

相关文章

Springboot中分析SQL性能的两种方式详解

《Springboot中分析SQL性能的两种方式详解》文章介绍了SQL性能分析的两种方式:MyBatis-Plus性能分析插件和p6spy框架,MyBatis-Plus插件配置简单,适用于开发和测试环... 目录SQL性能分析的两种方式:功能介绍实现方式:实现步骤:SQL性能分析的两种方式:功能介绍记录

PyCharm 接入 DeepSeek最新完整教程

《PyCharm接入DeepSeek最新完整教程》文章介绍了DeepSeek-V3模型的性能提升以及如何在PyCharm中接入和使用DeepSeek进行代码开发,本文通过图文并茂的形式给大家介绍的... 目录DeepSeek-V3效果演示创建API Key在PyCharm中下载Continue插件配置Con

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列(LCS)问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动

在不同系统间迁移Python程序的方法与教程

《在不同系统间迁移Python程序的方法与教程》本文介绍了几种将Windows上编写的Python程序迁移到Linux服务器上的方法,包括使用虚拟环境和依赖冻结、容器化技术(如Docker)、使用An... 目录使用虚拟环境和依赖冻结1. 创建虚拟环境2. 冻结依赖使用容器化技术(如 docker)1. 创

CentOS系统Maven安装教程分享

《CentOS系统Maven安装教程分享》本文介绍了如何在CentOS系统中安装Maven,并提供了一个简单的实际应用案例,安装Maven需要先安装Java和设置环境变量,Maven可以自动管理项目的... 目录准备工作下载并安装Maven常见问题及解决方法实际应用案例总结Maven是一个流行的项目管理工具

本地搭建DeepSeek-R1、WebUI的完整过程及访问

《本地搭建DeepSeek-R1、WebUI的完整过程及访问》:本文主要介绍本地搭建DeepSeek-R1、WebUI的完整过程及访问的相关资料,DeepSeek-R1是一个开源的人工智能平台,主... 目录背景       搭建准备基础概念搭建过程访问对话测试总结背景       最近几年,人工智能技术

SQL Server数据库迁移到MySQL的完整指南

《SQLServer数据库迁移到MySQL的完整指南》在企业应用开发中,数据库迁移是一个常见的需求,随着业务的发展,企业可能会从SQLServer转向MySQL,原因可能是成本、性能、跨平台兼容性等... 目录一、迁移前的准备工作1.1 确定迁移范围1.2 评估兼容性1.3 备份数据二、迁移工具的选择2.1

C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

《C#使用DeepSeekAPI实现自然语言处理,文本分类和情感分析》在C#中使用DeepSeekAPI可以实现多种功能,例如自然语言处理、文本分类、情感分析等,本文主要为大家介绍了具体实现步骤,... 目录准备工作文本生成文本分类问答系统代码生成翻译功能文本摘要文本校对图像描述生成总结在C#中使用Deep

CSS自定义浏览器滚动条样式完整代码

《CSS自定义浏览器滚动条样式完整代码》:本文主要介绍了如何使用CSS自定义浏览器滚动条的样式,包括隐藏滚动条的角落、设置滚动条的基本样式、轨道样式和滑块样式,并提供了完整的CSS代码示例,通过这些技巧,你可以为你的网站添加个性化的滚动条样式,从而提升用户体验,详细内容请阅读本文,希望能对你有所帮助...

C#从XmlDocument提取完整字符串的方法

《C#从XmlDocument提取完整字符串的方法》文章介绍了两种生成格式化XML字符串的方法,方法一使用`XmlDocument`的`OuterXml`属性,但输出的XML字符串不带格式,可读性差,... 方法1:通过XMLDocument的OuterXml属性,见XmlDocument类该方法获得的xm