Skip to main content

Rozmaitości różniczkowe — intuicja dla inżynierów

·2 mins

Po co inżynierowi rozmaitości? #

Przestrzeń konfiguracyjna robota o sześciu stopniach swobody nie jest “zwykłą” przestrzenią $\mathbb{R}^6$. Kąty obrotu żyją na okręgu $S^1$, nie na prostej — i to ma praktyczne konsekwencje dla planowania ruchu, interpolacji i unikania osobliwości.

Rozmaitość różniczkowa to formalne narzędzie do pracy z takimi przestrzeniami.

Definicja intuicyjna #

Rozmaitość $n$-wymiarowa to przestrzeń, która lokalnie wygląda jak $\mathbb{R}^n$, ale globalnie może mieć nietrywialną strukturę.

Klasyczne przykłady:

  • $S^1$ — okrąg (rozmaitość 1-wymiarowa)
  • $S^2$ — sfera (rozmaitość 2-wymiarowa)
  • $SO(3)$ — grupa obrotów w $\mathbb{R}^3$ (rozmaitość 3-wymiarowa)

Przestrzenie konfiguracyjne #

Dla układu mechanicznego z $n$ stopniami swobody, przestrzeń konfiguracyjna $\mathcal{Q}$ jest rozmaitością. Na przykład:

Wahadło podwójne: $\mathcal{Q} = S^1 \times S^1 = \mathbb{T}^2$ (torus).

Ruch na torusie — nie na płaszczyźnie — oznacza, że proste interpolacje liniowe kątów mogą dawać nieintuicyjne trajektorie.

Przestrzeń styczna #

W każdym punkcie $q \in \mathcal{Q}$ możemy zdefiniować przestrzeń styczną $T_q\mathcal{Q}$ — przestrzeń wektorów prędkości dopuszczalnych przez więzy układu.

$$v \in T_q\mathcal{Q} \iff v = \frac{d}{dt}\gamma(t)\bigg|_{t=0}, \quad \gamma(0) = q$$

To właśnie w przestrzeni stycznej żyją prędkości uogólnione i siły uogólnione w mechanice Lagrange’a.

Zastosowanie: planowanie ruchu robotów #

Planowanie ruchu w $\mathcal{Q} = SO(3)$ wymaga metryki na tej rozmaitości. Prosta metryka euklidesowa na kątach Eulera jest nieodpowiednia — daje osobliwości (gimbal lock) i niejednoznaczność.

Metryka wynikająca ze struktury Riemanowskiej $SO(3)$ jest naturalnym rozwiązaniem. Geodezyke na $SO(3)$ to właśnie interpolacja SLERP używana w grafice 3D i robotyce.


Następna notatka: tensory i metryki — czym jest tensor metryczny i jak go używać.

Author
Robert
Zajmuję się zastosowaniami geometrii różniczkowej i topologii w inżynierii oraz budową systemów ML na urządzeniach wbudowanych. Projektuję systemy detekcji obrazu oparte o CNN i Raspberry Pi.