机器人学很多方法层面的比较我个人觉得意义都不是很大， 方法论永远是用来解决问题的 。
D-H参数，旋量，指数坐标，李群李代数，manifold流形，这些名词，在刚开始进入这个领域的时候，花了大量的时间去看，感觉不懂都不好意思说自己学机器人。我记得第一本旋量的书，就是黄真老师写的【高等空间机构学】，里面一大堆的定理，新的名词，第一次自学的人看这个肯定是个灾难。顺着这条线，我记得又看了Selig的一本机器人数学基础的书，完全没有看完。两本书老实说，写得都对新人不友好，完全抓不住重点。但是当时年少无知，以为这就是江湖，顺着这条路，又去学了Lie group，包括看了一个北师大老师讲的狭义相对论（https://www. bilibili.com/video/av21 357484/ ），里面对manifold的讲解，很是清晰。但很惭愧，这么多年过去了，几乎没有用上这些屠龙刀。
后来，我看了Spong等人写的教材，发现原来还有这样的一股清流，不写废话，什么道理都是最简单的方式来写，但每一行字的夹缝中又是有无尽的内涵。真心强烈建议机器人初学者第一本或者第二书就应该是这本书。
最后回到机器人的D-H问题上，还是建议初学者看D-H足够，不要增加自己的准入门槛，万一看了旋量你就放弃了呢？这样机器人圈说不定丧失了一位未来的大牛。
如果是做研究，写文章，当然看你是研究什么，就像做机器学习的，也有人做manifold learning，搞机器人的也是有人喜欢研究各种数学表达技巧的。我们在库柏特科技平时也会看下不同的表达方式，会不会带来一些更本质的改变，比如以下的一些用对偶四元数的标定结果：「A Dual Quaternion-Based Approach for Coordinate Calibration of Dual Robots in Collaborative Motion」
从机器人实践的角度，现在的机器人的知识已经不仅仅是机构，运动学，动力学，控制，这些内容了。很多时候需要和触觉，视觉，力控等信息结合起来，上面还有加载着AI算法来做各种智能决策。这些信息的融合，处理，表达以及对应的各种软件工具的开发，肯定是需要寻求一个最小的公约数的，按照社会目前的水准，矩阵论就到头了。多把时间花在上层的算法上，试着去找一个好的场景，提出一个好的问题，解决一个现实世界的需求，短期内肯定比研究一个表示方法有价值。真的在职场，你会旋量，还不如说你会炼丹会英伟达呢。
最后，好多东西要活学活用。我记得不止一次的问，为什么D-H是四个参数而不是六个参数？按照道理表达空间两个刚体的相对位置与姿态最少需要6个参数才对。那为什么T矩阵中又有12个参数？多出来的6个参数是怎么处理掉的？这些应该都是最最基础的问题了，送分题都答不上来，就不要想着旋量了。
最后附上一个小插曲，当年读书的实验室做抓取飞行的物体的时候，需要对机器人的姿态进行学习。我当时想不明白，机器人姿态属so(3)啊，这不是向量空间啊，怎么去设计学习算法啊，难道要搞learning on manifold。论文的作者，一个牛逼的韩国程序员，直接用了旋转矩阵的前两列，来做学习，一样妥妥的解决了问题。这个套路对我启发极大，不要总是试图追求形式上的正确性而忘记要解决的问题。冗余是可以接受的，不是一种错误。
https://www.zhihu.com/video/1246263525262774272
我们一直欢迎希望把AI+Robotics在产业落地的年轻人的加入，过去有很多知乎的小伙伴来过库柏特，也对我们早期的艰苦落地做出了卓越的贡献。无论是懂机器人还是懂力控还是懂视觉，甚至懂AI产品，我们肯定有切合点的。
欢迎来信探讨：[email protected]
以上
