一、先说一个具体的痛
公式看懂了，但脑子里没有画面。
这是学机器人的 students 几乎都会卡住的一环。雅可比矩阵、四元数、卡尔曼增益，纸面上推得动；可一旦有人问"这个参数调大机器人会怎样"，你答不上来。
原因不复杂：你只看了公式的"结果"，没看过公式的"过程"。 而参数-行为之间的映射关系，本质上是一条曲线，只能拖出来、看它动，才会变成直觉。
所以我在 RobotsWiki 在线工具 做了一组打开就能玩的计算器。全部免登录、免注册、不用装任何东西，点开拖滑块就行。
（顺便说明：所有公式都写明了，参数怎么变、结果为什么是这样，页面里都讲。不是黑盒演示。）
二、七个工具，逐个说
① 旋转表示转换器 —— 欧拉角 / 四元数 / 旋转矩阵
四元数、欧拉角、旋转矩阵三者实时互转，配一个可拖拽的 3D 姿态预览。
拖动 3D 物体直接旋转 → 三个数字实时同步 → 反过来，拖数字 → 3D 跟着动。还有一个万向锁演示预设：点一下，然后拖偏航/横滚滑杆，你会亲眼看到两个滑杆的效果变得无法区分。
这就是万向锁：当 ZYX 顺序下的俯仰角到 ±90°，第一次和第三次旋转绕的是同一根轴，三个数字只剩两个自由度。此时雅可比退化，姿态控制会突然跳变。
② PID 调参模拟器 —— 四旋翼指令飞行
这是七个工具里最容易让人"啊？"出声的一个。
界面是一个飞行场，点击或拖拽画布下达目标点，然后拖 Kp / Ki / Kd 三个滑块，四旋翼的响应曲线实时变化。
预设按钮直接给了四种性格：
软绵绵 —— 慢慢飘过去
恰到好处
冒进振荡 —— 超调 + 来回振铃
恒风 · 稳态误差 —— 顶着风悬停
③ 倒立摆平衡器 · PID vs LQR
同一个问题，两种解法，同场竞技。
倒立摆是控制教学的"hello world"：它不稳定，但足够简单，能把控制器的性格暴露得一览无余。
戳一下摆杆、推一下小车，然后拖 LQR 权重（Q 矩阵），最优增益实时重解。
PID 和 LQR 的差别在这个工具里特别直观：
PID 是"看误差纠误差"，你可以理解成一串 if-else 规则
LQR 是"看全局状态算最优"，它需要状态空间的完整信息（这跟倒立摆的偏微分方程有关），换来的是理论上的最优性
为什么工业上 PID 还是主流？ 因为 LQR 要解 Riccati 方程、需要状态空间模型，而很多被控对象的状态你根本测不全。PID 的价值是"你只知道输出也能干活"。
④ 二连杆逆运动学可视化
拖动目标点，二连杆机械臂的两个解（肘上 / 肘下）实时跟随；也可以拖关节角做正解。
页面上的信息密度很高，但每一条都是真痛点：
末端速度示意 —— 箭头表示该方向末端可产生的速度（雅可比列向量）
可操作度椭圆 —— 单位关节速度圆映射到末端的像，长轴 σ₁、短轴 σ₂
实时算出的指标：可操作度 w = |det J|、条件数 κ = σ₁/σ₂
⑥ 卡尔曼滤波模拟器 —— 从噪声里捞出真值
一条真值曲线埋进噪声里，卡尔曼滤波把它捞出来。
画面上有三样东西：灰色点是含噪观测，蓝线是真值，绿线是滤波估计，绿色带是 ±3σ 置信带。
拖两个滑块：
Q（过程噪声 σa）：模型会错多少。小 → 平滑但真突变时滞后；大 → 跟得快但跟着噪声抖
R（测量噪声 σz）：传感器有多吵。调大 → 怀疑测量、更信模型；调小 → 紧贴测量点
⑦ 路径规划实验室 —— A* / RRT / 势场法同场竞技
同一张地图，三种找路思路，放在一张图上跑。
画几块障碍、拖动起点终点，看它们各自的优点与死穴。
实时指标：状态、路径长度（格）、扩展节点数、开放集大小。
A* 要栅格地图，保证最优，但维数一高就存不下：机械臂 6 个关节的栅格，内存直接爆炸。 RRT 不建栅格，撒点采样即可，高维照常工作，代价是路径歪歪扭扭，一般要再平滑。 势场法计算量最小，能对移动障碍实时反应，但会被局部极小卡住。
工程上常分两层：上层 A* / RRT 出全局路径，底层势场做实时避障。
三、这七个工具连起来是什么
单独看是七个玩具，连起来是一条完整的直觉链：
这七个直觉，恰好是机器人学里最难"从书上学到"的那部分。 因为它们的本质都是参数 → 行为的映射，是曲线，不是公式。
四、怎么玩（三个入口，任选）
随便点开一个：robotswiki.com/tools —— 免登录、免注册，不需要任何前置
当课前预习：上课前先把对应工具玩五分钟，课上老师讲 Q/R 到底调什么，你会立刻有画面
当课间游戏：把 PID 的 Kp 拉大看着它振荡，把势场法拖进凹槽陷阱
不用收藏。 这种东西收藏了就白收藏 —— 直接打开拖两下，比记在脑子里有用。
五、结尾
我一直认为，教具（teaching tool）的价值不在于讲得多清楚，而在于让人亲手把参数推到极端。
推到极端，缺陷就暴露了：
把 Kd 拉大 → 高频抖动
把 R 调太小 → 过度自信
把目标拖到奇异点 → 雅可比退化
把 w 调大 → A* 变贪心，路径变长
这些结论，你亲手推一次，比读十遍书记得牢。
