4、参数识别基础：学习参数识别的定义、目的、常用方法（如最小二乘法、卡尔曼滤波）以及适用场景
在STM32机器人模型更新过程中，参数识别是连接物理系统与数学模型的桥梁。机器人运动学与动力学模型中的惯性参数、摩擦系数、电机时间常数、传感器增益等，往往无法直接从数据手册中获得精确值，或者会随着负载变化、机械磨损、温度漂移而改变。参数识别的本质，就是利用可测量的输入输出数据，通过优化算法反推出模型中的未知参数，使模型输出尽可能逼近真实系统响应。本章将系统讲解参数识别的定义、目的、核心方法（最小二乘法与卡尔曼滤波）及其在STM32机器人平台上的适用场景，并给出工程落地的判断流程与实战案例。
上图展示了参数识别从数据采集到方法选型的完整工程链路。在实际STM32机器人项目中，我们首先需要明确识别目标：是离线标定一次参数用于仿真，还是在线实时更新参数以应对负载变化？这个判断直接决定了采用最小二乘法还是卡尔曼滤波。下面将逐一展开核心原理、操作流程、实战案例与常见误区。
4.1 参数识别的定义与核心目的
参数识别（Parameter Identification）是指根据系统的输入输出观测数据，按照某种最优准则，估计出数学模型中的未知参数。在机器人领域，这些参数包括但不限于：连杆质量、质心位置、转动惯量、关节粘性摩擦系数、库仑摩擦系数、电机反电动势常数、扭矩常数、编码器分辨率、传感器零漂与增益等。
其核心目的可以归纳为以下四点：
- 模型精度提升：理论计算或CAD模型给出的参数往往与实际装配体存在偏差，通过识别可以获得更贴近真实系统的模型参数，从而提高仿真可信度。
- 控制性能优化：模型预测控制（MPC）、计算力矩法、前馈补偿等高级控制策略严重依赖模型精度，参数识别是这些算法落地的前提。
- 状态监测与故障诊断：当参数发生缓慢漂移（如摩擦增大、惯量变化），在线识别可以捕捉这些变化，用于预测性维护。
- 自适应控制基础：参数在线估计是自适应控制的核心组成部分，使控制器能够应对未知或时变系统。
工程视角：在STM32机器人项目中，参数识别不是“学术装饰”，而是解决实际问题的工具。例如，当你的四足机器人出现某条腿跟踪误差明显大于其他腿时，很可能不是控制算法的问题，而是该关节的摩擦参数或电机增益发生了偏移。通过快速参数识别，可以定位问题并更新模型。
4.2 最小二乘法：离线批量识别的基石
最小二乘法（Least Squares, LS）是最经典、最基础的参数识别方法。其核心思想是：寻找一组参数，使得模型输出与实际观测值之间的误差平方和最小。
4.2.1 核心原理与数学表达
考虑线性回归模型：
y(t) = φ(t)ᵀ · θ + e(t)其中，y(t) 是系统输出（如关节力矩），φ(t) 是回归向量（由状态量如位置、速度、加速度构成），θ 是待识别参数向量，e(t) 是噪声。最小二乘的目标函数为：
J(θ) = Σ [y(t) - φ(t)ᵀ·θ]²对 θ 求导并令其为零，得到闭式解：
θ̂ = (ΦᵀΦ)⁻¹ Φᵀ Y其中 Φ 是回归矩阵，Y 是输出向量。在STM32上实现时，通常使用批量数据一次性计算，或者使用递推最小二乘（RLS）以降低存储需求。
4.2.2 操作流程
- 激励设计：设计输入信号（如扫频信号、伪随机二进制序列PRBS），确保系统所有相关模态都被激发。对于机器人关节，需要包含足够的加速度变化以激励惯性参数。
- 数据采集：以固定采样率（如1kHz）同步采集编码器位置、速度（可通过差分或状态观测器获得）、电流/力矩指令。
- 信号预处理：对速度、加速度信号进行低通滤波（如Butterworth二阶滤波器，截止频率设为系统带宽的3-5倍），去除量化噪声和测量野值。
- 构建回归方程：根据动力学模型（如拉格朗日方程或牛顿-欧拉递推）构建 φ(t) 和 y(t)。
- 求解与验证：在PC端或STM32上求解最小二乘问题，得到参数估计值；然后用独立验证数据集对比模型输出与实际输出，计算拟合度（如R²）。
4.2.3 适用场景
| 场景特征 | 是否适合最小二乘 | 原因 |
|---|---|---|
| 离线标定（出厂前或维护时） | 非常适合 | 可以采集足够长的数据，计算资源充足 |
| 参数不随时间快速变化 | 适合 | 批量处理能获得最优统计特性 |
| 系统近似线性或可线性化 | 适合 | 最小二乘本质是线性回归 |
| 需要实时在线更新 | 不适合 | 批量计算延迟大，无法跟踪时变参数 |
| 强非线性系统 | 需谨慎 | 可能需要非线性最小二乘或分段线性化 |
4.3 卡尔曼滤波：在线递推识别的利器
卡尔曼滤波（Kalman Filter, KF）是一种基于状态空间模型的最优递推估计算法。在参数识别中，我们将参数视为“状态”，利用观测数据不断更新参数估计值。它特别适合STM32这类嵌入式平台，因为其递推形式只需保存上一时刻的估计值和协方差矩阵，计算量固定。
4.3.1 核心原理
将参数识别问题转化为状态估计问题：
状态方程：θ(k+1) = θ(k) + w(k) （参数随机游走模型）
观测方程：y(k) = φ(k)ᵀ·θ(k) + v(k) （线性观测模型）其中 w(k) 是过程噪声（反映参数漂移速度），v(k) 是测量噪声。卡尔曼滤波通过预测-更新两步循环，最小化估计误差协方差：
预测：θ̂(k|k-1) = θ̂(k-1|k-1)
P(k|k-1) = P(k-1|k-1) + Q
更新：K(k) = P(k|k-1)φ(k) / [φ(k)ᵀP(k|k-1)φ(k) + R]
θ̂(k|k) = θ̂(k|k-1) + K(k)[y(k) - φ(k)ᵀθ̂(k|k-1)]
P(k|k) = [I - K(k)φ(k)ᵀ]P(k|k-1)Q 和 R 分别是过程噪声和测量噪声协方差，它们决定了滤波器的跟踪速度与平滑程度。
4.3.2 在STM32上的实现要点
- 矩阵运算优化：使用STM32的CMSIS-DSP库中的矩阵函数（如arm_mat_mult_f32）加速计算，避免手写低效循环。
- 数值稳定性：使用平方根卡尔曼滤波或UD分解形式，防止协方差矩阵失去正定性。
- 噪声协方差整定：Q 设置过大则参数估计波动大，过小则跟踪慢；R 可通过传感器数据方差离线估计。
- 计算周期：在STM32F4系列（168MHz）上，一个3×3协方差矩阵的卡尔曼更新约需20-30μs，可满足1kHz控制周期。
4.3.3 适用场景
| 场景特征 | 是否适合卡尔曼滤波 | 原因 |
|---|---|---|
| 参数随时间缓慢变化（如温度漂移） | 非常适合 | 递推更新能实时跟踪 |
| 在线自适应控制 | 非常适合 | 每周期输出最新参数供控制器使用 |
| 计算资源受限的嵌入式平台 | 适合 | 固定计算量，存储需求小 |
| 需要参数置信度信息 | 适合 | 协方差矩阵P直接给出估计不确定性 |
| 一次性离线标定 | 不太适合 | 不如最小二乘充分利用批量数据 |
4.4 实战案例：STM32两轮自平衡机器人参数在线识别
下面通过一个完整的案例，展示如何将参数识别应用于实际STM32机器人项目。
4.4.1 背景与目标
某两轮自平衡机器人使用STM32F407作为主控，控制周期1kHz。机器人总质量约3kg，但在实际运行中，用户可能搭载不同负载（如摄像头云台、机械臂），导致质心位置和转动惯量发生变化。原固定参数控制器在负载变化后出现明显的低频振荡。目标：设计一个在线参数识别模块，实时估计机器人绕轮轴中心的等效转动惯量 J 和等效阻尼系数 B，并更新控制器前馈项。
4.4.2 初始现象与数据
在空载状态下，控制器表现良好，倾角误差RMS为0.8°。加装1.2kg负载后，倾角误差RMS增大至3.5°，且出现约2Hz的持续振荡。通过串口记录电机电流指令和倾角速度数据，发现模型预测力矩与实际力矩偏差达到40%。
4.4.3 识别方案设计
采用扩展卡尔曼滤波（EKF）进行在线参数识别。系统模型简化为：
J·θ̈ = τ - B·θ̇ - m·g·L·sin(θ)其中 θ 为倾角，τ 为电机力矩指令，m 为质量，L 为质心到轮轴距离。将 J 和 B 作为待识别参数，状态向量扩展为 [θ, θ̇, J, B]ᵀ。观测方程为倾角传感器输出。
关键参数设置：
- 过程噪声协方差 Q = diag([0.001, 0.01, 0.0001, 0.0001])，允许 J 和 B 缓慢漂移
- 测量噪声协方差 R = 0.01（由倾角传感器静态方差估计）
- 初始协方差 P₀ = diag([0.1, 0.1, 0.5, 0.5])
4.4.4 实施步骤与结果
- 在STM32上实现EKF，使用CMSIS-DSP库进行矩阵运算，每控制周期执行一次预测-更新。
- 将估计出的 J 和 B 实时代入计算力矩前馈控制器：τ_ff = Ĵ·θ̈_ref + B̂·θ̇_ref。
- 运行10秒后，参数估计收敛：J 从初始值0.05 kg·m² 收敛至0.083 kg·m²（与CAD计算值0.085接近），B 收敛至0.12 N·m·s/rad。
- 控制器切换为自适应模式后，倾角误差RMS降至1.2°，振荡消失。
4.4.5 风险与复盘
风险提示：在参数识别初期，由于协方差矩阵P较大，参数估计值可能出现剧烈跳变，导致控制器输出异常。解决方案：在参数估计值变化率超过阈值时，暂时冻结前馈更新，只进行参数估计，待收敛后再平滑切换。另外，EKF对模型误差敏感，如果动力学模型本身不准确（如忽略电机动态），识别出的参数可能包含未建模动态的“吸收”效应，需要结合残差分析判断。
复盘经验：本次案例中，最关键的步骤是激励设计。为了让 J 和 B 可辨识，我们特意在运行中加入了一个小幅度的扫频倾角指令（0.5Hz~3Hz），确保系统动态被充分激发。如果只使用恒定姿态指令，J 和 B 无法同时辨识，会出现参数耦合问题。
4.5 常见误区与总结
在STM32机器人参数识别实践中，以下误区值得特别注意：
- 误区一：忽视激励信号设计。如果输入信号不能充分激发系统动态，回归矩阵 Φ 会接近奇异，导致参数估计方差极大。解决方法是使用PRBS或chirp信号，并检查条件数。
- 误区二：过度滤波导致相位延迟。对速度信号滤波时，如果截止频率过低，会引入显著相位滞后，使回归向量与输出不对齐，产生有偏估计。建议使用零相位滤波（如filtfilt）或状态观测器。
- 误区三：将卡尔曼滤波的Q、R视为固定常数。实际系统中，测量噪声可能随工况变化（如振动加剧），需要在线调整R或使用自适应卡尔曼滤波。
- 误区四：忽略参数可辨识性分析。并非所有参数都能从给定数据中唯一辨识。例如，在静摩擦占主导的系统中，粘性摩擦系数可能无法准确估计。应先进行灵敏度分析，剔除不可辨识参数。
- 误区五：在STM32上直接使用double类型矩阵运算。虽然F4系列支持硬件FPU，但double运算会消耗更多周期和内存。建议使用float32类型，配合CMSIS-DSP的优化函数。
经验总结：参数识别不是一次性任务，而是模型维护的持续过程。建议在STM32固件中设计一个参数管理模块，将识别出的参数存储在Flash中，并记录识别时间、工况标签（如空载/满载/低温）。当系统重启时，可以加载最近一次的有效参数作为初始值，加速收敛。同时，定期用离线最小二乘法对在线识别结果进行交叉验证，确保长期运行中参数估计没有漂移。
综上所述，参数识别是STM32机器人模型更新中承上启下的关键环节。最小二乘法适合离线批量标定，提供高精度的参数基准；卡尔曼滤波适合在线递推更新，赋予系统自适应能力。在实际工程中，两者往往结合使用：先离线识别获得良好初始值，再切换为在线卡尔曼滤波跟踪参数变化。掌握参数识别的核心原理与工程实现细节，将显著提升机器人模型的准确性与控制系统的鲁棒性。