3. 标定原理概述：什么是标定？为什么标定能提升精度？标定的四个步骤。
好，我们正式开始进入标定的核心内容。这一章，我先带大家把标定的底层逻辑理清楚。
很多刚入行的朋友，一上来就急着跑算法、调参数。结果呢？机器人动起来歪歪扭扭，重复定位精度差得离谱。我见过不少项目，硬件设计没问题，电机也是新的，但就是精度上不去。为什么？说白了，就是没做标定。
那标定到底是什么？它为什么这么重要？我们一步步来看。
3.1 什么是标定？
标定，用大白话讲，就是给机器人“量体裁衣”。
你想想看，我们设计机器人时，图纸上写的连杆长度是 100mm，关节角度是 90 度。但实际加工出来的零件，长度可能是 100.05mm，装配完的关节零位也可能偏了 0.1 度。这些微小的误差，在运动学模型里会被放大，最终导致末端定位不准。
标定要做的，就是通过测量实际位姿，反过来算出这些真实的几何参数。然后把这些参数写回控制器，让机器人的“大脑”知道它身体的真实尺寸。
核心定义：运动学标定，是通过实验测量和参数辨识，修正机器人运动学模型中几何参数误差的过程。其目标是让理论模型无限逼近物理实体的真实行为。
我个人习惯把标定比作“配眼镜”。你眼睛近视了，验光师给你测出度数，然后配一副合适的眼镜。机器人也一样，出厂时是“近视”的，标定就是给它配上一副“精确的眼镜”。
3.2 为什么标定能提升精度？
这个问题很关键。我直接说结论：标定能消除系统性的几何误差。
机器人的误差来源很多，比如齿轮间隙、连杆变形、温度漂移。但占比最大、最顽固的，就是几何参数误差。这类误差是系统性的，不会随机变化。你每次让机器人走到同一个点，它都偏同样的距离。
标定就是针对这类误差。我们通过建立误差模型，把实际参数和名义参数之间的偏差找出来。然后修正控制器里的 DH 参数，让理论计算出的位置，和实际到达的位置一致。
我在项目中遇到过一台六轴机器人，标定前重复定位精度是 ±0.5mm，标定后直接干到了 ±0.05mm。提升了整整一个数量级。你想想看，如果不做标定，后面做轨迹规划、力控，全都是建立在错误模型上的，那结果能好吗？
| 误差类型 | 来源 | 标定能否消除 | 典型量级 |
|---|---|---|---|
| 几何参数误差 | 加工、装配、磨损 | 能（主要目标） | 0.1~1 mm |
| 关节柔性误差 | 减速器、连杆变形 | 部分能（需弹性模型） | 0.01~0.1 mm |
| 温度漂移 | 电机发热、环境变化 | 不能（需实时补偿） | 0.01~0.05 mm |
| 齿轮回差 | 减速器间隙 | 不能（需控制策略） | 0.01~0.1° |
我的经验：标定主要解决“硬”误差，也就是几何参数。对于“软”误差，比如柔性、摩擦，需要更复杂的模型。但先把几何参数标准了，能解决 80% 的精度问题。
3.3 标定的四个步骤
标定不是玄学，它有标准流程。业内公认的步骤分为四步：建模、测量、辨识、补偿。我一个个拆开讲。
步骤一：建模（Modeling）
第一步，你得先有个模型。这个模型描述了机器人的几何结构，以及哪些参数可能存在误差。
最常用的是 DH 参数模型。每个关节有四个参数：a（连杆长度）、α（连杆扭角）、d（关节偏距）、θ（关节转角）。名义参数是设计值，实际参数是真实值。我们定义误差为：Δa, Δα, Δd, Δθ。
建模阶段要做的，就是确定哪些参数是可辨识的。有些参数是冗余的，你测再多数据也辨识不出来。比如，如果两个关节轴线平行，它们的某些参数就会耦合。嗯，这里要注意，模型建得不好，后面全白干。
避坑指南：我曾经因为模型里多包含了一个冗余参数，导致辨识矩阵奇异，算法直接崩溃。后来花了三天才排查出来。记住：模型不是越复杂越好，可辨识性才是第一位的。
步骤二：测量（Measurement）
有了模型，就需要数据。测量就是让机器人运动到一系列位姿，然后用外部设备记录末端的实际位置。
常用的测量设备有：
- 激光跟踪仪：精度最高（0.01mm），但贵，适合实验室。
- 视觉测量系统：用相机拍靶标，精度适中（0.1mm），性价比高。
- 拉线传感器：便宜，但精度有限（0.5mm），适合粗标定。
测量时要注意：采样点要覆盖整个工作空间。别只在一个小区域里测，那样辨识出来的参数只对局部有效。我一般会在工作空间里均匀取 30~50 个点，关节构型尽量多样化。
步骤三：辨识（Identification）
这是最核心的一步。辨识，就是根据测量数据，反推出误差参数。
数学上，这是一个非线性最小二乘优化问题。我们建立误差方程：
ΔP = J * Δq其中：
- ΔP 是末端位姿误差（测量值 - 理论值）
- J 是辨识雅可比矩阵（描述参数误差到位姿误差的映射）
- Δq 是待辨识的几何参数误差
然后通过迭代求解：
Δq = (J^T * J)^{-1} * J^T * ΔP这就是最小二乘解。但实际中，J^T*J 可能病态，需要加正则化。我常用 Levenberg-Marquardt 算法，稳定且收敛快。
关键点：辨识的精度取决于两个因素：测量数据的噪声水平，以及辨识矩阵的条件数。条件数越小，辨识结果越鲁棒。
步骤四：补偿（Compensation）
最后一步，把辨识出的误差参数写回控制器。补偿方式有两种：
- 参数修正：直接修改控制器里的 DH 参数表。简单粗暴，但需要控制器支持在线修改。
- 误差补偿表：在关节空间或笛卡尔空间建立误差查找表，运行时实时插补。适合无法修改底层参数的控制器。
我个人更推荐第一种。直接修正模型，一劳永逸。但如果你用的是商业控制器，底层参数锁死了，那就只能用查表法。
补偿完成后，一定要做验证实验。让机器人走一组新的位姿（不是辨识用的那组），看末端精度是否达标。我一般要求验证误差在辨识误差的 1.5 倍以内，才算标定成功。
3.4 标定流程总览
为了让你更直观地理解这四个步骤的关系，我画了一张流程图。
这张图很清楚地展示了标定的闭环逻辑。从建模开始，到补偿结束。如果验证结果不理想，就需要回到建模或测量环节，重新迭代。我做过最复杂的一个项目，迭代了五轮才达到要求。
3.5 本章小结
标定不是什么高深莫测的东西。它就是一套“测量-建模-修正”的工程方法。核心思想是：承认理论模型有误差，然后用实验数据把它修正过来。
记住四个步骤：建模、测量、辨识、补偿。每一步都有坑，但每一步也都有成熟的解决方案。后面几章，我会带你手把手走完整个流程，从搭建测量平台到写辨识算法，再到把参数烧进 STM32 控制器。
嗯，先把原理吃透，后面动手才不会慌。