逆向運動學一定有解析解嗎？

不一定。Pieper 在 1968 年證明：只有當機械手臂滿足特定幾何條件時（最常見的是最後三個旋轉關節軸線交於一點，也就是「球形手腕」設計），才保證存在封閉形式的解析解。這也是為什麼絕大多數工業六軸手臂都刻意把手腕設計成球形結構——不是巧合，而是為了讓 IK 可以用解析解即時求解，不需要依賴數值迭代。不滿足這個條件的手臂（例如某些協作型手臂的非球形手腕設計）就只能依賴數值方法。

為什麼數值解法要用阻尼最小平方法，而不是直接用 Jacobian 反矩陣？

直接用 Jacobian 反矩陣（或虛擬反矩陣）在接近奇異點時會數值爆炸——因為奇異點附近 Jacobian 的最小奇異值趨近於 0，反矩陣裡對應的項會趨近無限大，導致計算出的關節角速度出現不合理的巨大數值，讓手臂做出劇烈甩動的動作。阻尼最小平方法在反矩陣的公式裡加入一個阻尼項 λ²I，犧牲一點點在奇異點附近的追蹤精度，換取數值穩定性，這個 trade-off 在實務上幾乎總是值得的。

IK 迭代法找不到解的時候，是真的無解還是演算法沒收斂？

兩種情況都要檢查，但可以先用比較便宜的方式排除：先檢查目標點是否在手臂的可達工作空間（workspace）內——例如距離基座是否超過手臂完全伸直的長度，或小於手臂完全收起的最短距離，這種情況是真的幾何無解，不管換什麼演算法或初始值都不會收斂。如果目標在工作空間內卻還是不收斂，通常是初始猜測值離解太遠掉進局部極小值、或是目標姿態本身正好落在奇異點附近，這時候換一個初始關節角度重新迭代，或改用 CCD／FABRIK 這類對初始值比較不敏感的方法，往往能解決問題。

逆向運動學完整解法：解析解、Pieper 準則與數值迭代法

問題定義

逆向運動學（Inverse Kinematics, IK）要回答的問題是：已知末端執行器的目標位置與姿態 $T_{\text{target}} \in SE(3)$ ，要找出一組關節角度 $\boldsymbol{\theta} = (\theta_1, \theta_2, \dots, \theta_n)$ ，使得正向運動學算出來的末端姿態恰好等於目標：

T_0^n(\boldsymbol{\theta}) = T_{\text{target}}

這個問題比正向運動學本質上難得多，原因有三個，而且都不是工程實作細節，是數學結構層面的困難：

非線性： $T_0^n(\boldsymbol{\theta})$ 是關節角度的三角函數組合（ $\sin\theta_i$ 、 $\cos\theta_i$ 疊乘），不存在一般線性方程組的解法。
解的數量不固定：同一個末端位置，手臂可能有零組解（目標超出工作空間）、恰好一組解、或者多組解（例如肘部朝上與朝下都能到達同一點）。6 自由度手臂在非奇異姿態下，理論上最多可以有到 16 組不同的關節組合解。
可能存在冗餘自由度：如果手臂的自由度數大於任務所需的自由度（例如 7 軸手臂做 6 維度的末端姿態任務），解不是離散的幾組，而是一整個連續的解空間（self-motion manifold），這時候額外需要一個準則（例如避開障礙物、避開關節極限、最小化能量）去挑選解空間裡的其中一點。

解析解：從 2 連桿平面手臂開始

在推導一般化方法之前，先看一個可以完全手算的具體例子：一個平面上的 2 連桿手臂，連桿長度分別是 $l_1$ 、 $l_2$ ，兩個都是旋轉關節，目標是讓末端到達平面上的座標 $(x, y)$ 。

用餘弦定理解肘部角度

末端到基座的直線距離是 $r = \sqrt{x^2 + y^2}$ 。這條直線、 $l_1$ 、 $l_2$ 三條邊構成一個三角形，肘部角度 $\theta_2$ （第二關節相對第一連桿的夾角）可以直接用餘弦定理反解：

\cos\theta_2 = \frac{x^2 + y^2 - l_1^2 - l_2^2}{2 l_1 l_2}

\theta_2 = \pm \arccos\left(\frac{x^2 + y^2 - l_1^2 - l_2^2}{2 l_1 l_2}\right)

正負號對應的正是「肘部朝上」與「肘部朝下」兩組不同的解——這是前面提到的「解不唯一」在最簡單案例裡的具體展現。 $\arccos$ 的輸入值必須落在 $[-1, 1]$ 之間，一旦超出這個範圍，就代表目標點 $(x, y)$ 落在手臂的工作空間之外（太遠或太近），這是解析解可以直接、便宜地判斷「目標無解」的優勢，數值迭代法通常要跑到不收斂才能間接推論出同樣的結論。

反解肩部角度

有了 $\theta_2$ ，肩部角度 $\theta_1$ 可以用兩步反解：先算出從基座看向末端的角度，再減去第一連桿到目標點方向之間的夾角：

\theta_1 = \operatorname{atan2}(y, x) - \operatorname{atan2}\big(l_2 \sin\theta_2,\ l_1 + l_2 \cos\theta_2\big)

這裡刻意用 atan2 而不是 atan，是因為 atan2 能根據兩個輸入的正負號正確判斷象限，atan 只能算出 $(-\pi/2, \pi/2)$ 範圍內的角度，直接拿來做機械手臂控制會在特定象限算錯方向——這是解析 IK 實作裡最常見、也最隱蔽的 bug 來源之一。

6 自由度手臂：Pieper 解耦解法

真實工業手臂通常是 6 自由度串聯結構，直接對 6 個未知數解一組聯立三角方程，計算複雜度會爆炸。1968 年 Donald Pieper 證明了一個關鍵定理：只要手臂最後三個旋轉關節的軸線交於一點（這一點稱為手腕中心，wrist center），問題就可以解耦成兩個獨立的子問題，各自都有封閉形式解——這正是絕大多數工業六軸手臂刻意採用「球形手腕」（spherical wrist）設計的原因。

解耦之後的兩步驟：

第一步：位置反解（前三軸）。因為最後三軸交於手腕中心點 $\boldsymbol{o}_c$ ，而且旋轉關節不影響該點沿軸線之外的位置，手腕中心的位置只由前三個關節決定：

\boldsymbol{o}_c = \boldsymbol{o}_{\text{target}} - d_6 \cdot \boldsymbol{z}_{\text{target}}

其中 $d_6$ 是最後一節連桿長度、 $\boldsymbol{z}_{\text{target}}$ 是目標姿態沿末端 z 軸的方向向量。算出 $\boldsymbol{o}_c$ 之後，前三軸 $\theta_1, \theta_2, \theta_3$ 的問題就退化成跟前面 2 連桿平面手臂類似的幾何問題（只是多一個自由度、在三維空間中），一樣可以用餘弦定理與 atan2 解出封閉形式解。

第二步：姿態反解（後三軸）。有了前三軸的解，就能算出前三軸構成的座標系相對基座的旋轉矩陣 $R_0^3$ 。剩下要做的是求解 $R_3^6$ ，使得：

R_3^6 = (R_0^3)^{-1} R_{\text{target}}

因為後三軸是球形手腕（三軸交於一點、且互相垂直）， $R_3^6$ 對應的正是一組尤拉角分解（常見的是 ZYZ 或 ZYX 順序），可以直接反解出 $\theta_4, \theta_5, \theta_6$ ，公式形式跟旋轉矩陣轉尤拉角的標準解法一致。

這個「先解位置、再解姿態」的解耦技巧，把一個 6 維非線性聯立方程組問題，拆成兩個各自 3 維、各自有封閉形式解的子問題，這是解析解法在工程上能夠實用化的關鍵。

數值迭代解法：當解析解不存在時

如果手臂不滿足 Pieper 準則（例如某些非球形手腕的協作手臂、或者自由度數與任務維度不匹配的冗餘手臂），就必須依賴數值迭代法。核心想法是：從一個初始猜測關節角度 $\boldsymbol{\theta}_0$ 出發，每次迭代都用雅可比矩陣算出「如果末端要往目標方向移動一點點，關節角度大致要怎麼調整」，逐步逼近目標。

Newton-Raphson 法

定義末端目前姿態與目標姿態之間的誤差 $\Delta x = x_{\text{target}} - x(\boldsymbol{\theta}_k)$ （位置誤差 3 維 + 姿態誤差 3 維，共 6 維）。雅可比矩陣 $J(\boldsymbol{\theta})$ 描述了關節角速度與末端速度的線性關係 $\dot{x} = J \dot{\theta}$ ，把這個關係離散化、反過來用，就得到更新規則：

\boldsymbol{\theta}_{k+1} = \boldsymbol{\theta}_k + J^{+}(\boldsymbol{\theta}_k) \, \Delta x

其中 $J^{+}$ 是 Jacobian 的虛擬反矩陣（Moore-Penrose pseudoinverse）。當 $J$ 是方陣且非奇異時， $J^{+} = J^{-1}$ ；當手臂自由度數與任務維度不同（冗餘或欠缺自由度）時，虛擬反矩陣能給出最小平方意義上最好的解。

阻尼最小平方法（Damped Least Squares, DLS）

Newton-Raphson 法在接近奇異點時會數值不穩定：奇異點附近 $J$ 的最小奇異值趨近於 0， $J^{+}$ 裡對應的項會趨近無限大，算出的關節角度增量會出現不合理的巨大跳動。實務上幾乎都改用阻尼最小平方法，在反矩陣公式裡加入阻尼項：

\Delta\boldsymbol{\theta} = J^T \left(J J^T + \lambda^2 I\right)^{-1} \Delta x

$\lambda$ 是阻尼係數， $\lambda = 0$ 時退化回標準虛擬反矩陣解法。阻尼項讓求解在奇異點附近仍然數值穩定，代價是犧牲一點點追蹤精度——這正是機器人控制裡處理奇異點最常見、最實用的工程妥協，本質上跟 Levenberg-Marquardt 演算法用來解非線性最小平方問題的阻尼項是同一套數學。

程式碼範例

2 連桿解析解（含肘部朝上/朝下判斷）

python

import numpy as np


def ik_2link_analytical(x, y, l1, l2, elbow_up=True):
    """2 連桿平面手臂的解析 IK，回傳 (theta1, theta2)"""
    r_sq = x ** 2 + y ** 2
    cos_theta2 = (r_sq - l1 ** 2 - l2 ** 2) / (2 * l1 * l2)

    if not -1.0 <= cos_theta2 <= 1.0:
        raise ValueError("目標超出工作空間，無解")

    sign = 1 if elbow_up else -1
    theta2 = sign * np.arccos(cos_theta2)

    theta1 = np.arctan2(y, x) - np.arctan2(
        l2 * np.sin(theta2), l1 + l2 * np.cos(theta2)
    )
    return theta1, theta2

阻尼最小平方法數值迭代解