3. 参数辨识的数学本质
在多体动力学中，我们通常先写出系统的运动方程，例如
M(q; θ) q̈ + C(q, q̇; θ) q̇ + G(q; θ) = τ + Jᵀ(q) F_ext其中 θ 是待辨识参数向量，可能包含连杆质量 mᵢ、质心位置 rᵢ、惯性张量 Iᵢ、关节摩擦系数、电机转子惯量、传动刚度等。一个常见的误解是：只要把 θ 写进方程，就一定能从实验数据中把它“解出来”。事实并非如此。参数辨识的数学本质，是研究“哪些参数组合能够被输入输出数据唯一确定”，以及“在噪声存在时如何给出最优估计”。
一、从物理参数到回归形式
多体动力学方程对惯性参数是线性的。以刚体机械臂为例，关节力矩可写成
τ = Y(q, q̇, q̈) · π其中 π 是由 10 个标准惯性参数组成的向量：质量 m、一阶矩 h = m·r、惯性张量 I 的六个独立分量。Y 是回归矩阵，只与运动状态有关，与参数无关。这一步把非线性动力学问题转化为线性回归问题，是参数辨识能够使用最小二乘等工具的前提。
但 Y 的列之间往往存在线性相关。例如，当某个连杆的关节轴固定时，绕该轴的转动惯量与其它参数可能以固定比例出现；基座固定时，基座连杆的部分参数完全不可观测。此时 Y 不满秩，π 中只有某些线性组合可以被唯一确定。这些可唯一确定的组合称为基参数集（base parameters），记作 β。物理参数 π 与基参数 β 之间满足
π = K · β + π₀K 是基参数组合矩阵，π₀ 是不可辨识部分的任意取值。辨识只能得到 β，而 π 中不可辨识的分量需要根据先验知识或额外约束补齐。因此，参数辨识的第一步不是“选算法”，而是“确定可辨识参数集”。
二、最小二乘：让残差平方和最小
假设已获得 N 组采样数据，构造回归方程
τ = Y · β + ε其中 ε 是测量噪声与模型误差。最小二乘估计的目标是
β̂_LS = argmin ‖τ − Y β‖²若 Y 列满秩，解析解为
β̂_LS = (Yᵀ Y)⁻¹ Yᵀ τ最小二乘的几何意义是把 τ 投影到 Y 的列空间上，残差与列空间正交。它不需要知道噪声的统计分布，计算简单，是参数辨识最常用的起点。但最小二乘有两个隐含假设：噪声零均值、同方差且与回归量不相关。如果噪声方差随关节速度变化，或者存在未建模的柔性、间隙，最小二乘估计会有偏。
实际实现时，直接求逆数值不稳定，通常用 QR 分解或 SVD 求解。SVD 还能同时给出奇异值谱，帮助判断哪些方向接近不可辨识。例如，若最小奇异值与最大奇异值之比小于 10⁻⁶，对应方向应视为不可辨识，需要从 β 中剔除或加入正则化。
三、极大似然：在噪声模型下找最可能参数
极大似然估计把参数看作固定未知量，把观测数据看作随机变量。若假设噪声 ε ~ N(0, σ²I)，则似然函数为
L(β, σ²) = (2πσ²)^(−N/2) exp[−(τ − Yβ)ᵀ(τ − Yβ) / (2σ²)]最大化 L 等价于最小化残差平方和，因此高斯白噪声下极大似然退化为最小二乘。但当噪声协方差为 Σ 时，极大似然给出加权最小二乘
β̂_ML = (Yᵀ Σ⁻¹ Y)⁻¹ Yᵀ Σ⁻¹ τ这说明：极大似然的核心不是“换一个公式”，而是显式建立噪声模型。在多体动力学中，关节编码器噪声、力矩传感器噪声、加速度差分噪声的统计特性不同，若能用实验标定出 Σ，加权最小二乘会比普通最小二乘更有效。极大似然还给出参数估计的渐近协方差 (Yᵀ Σ⁻¹ Y)⁻¹，可用于判断参数估计精度。
四、贝叶斯估计：把先验知识纳入进来
贝叶斯估计把 β 也看作随机变量，先给出先验分布 p(β)，再根据观测数据用贝叶斯公式更新
p(β | τ) ∝ p(τ | β) · p(β)若先验取高斯分布 β ~ N(β₀, Σ₀)，似然为高斯，则后验也是高斯，其均值为
β̂_Bayes = (Yᵀ Σ⁻¹ Y + Σ₀⁻¹)⁻¹ (Yᵀ Σ⁻¹ τ + Σ₀⁻¹ β₀)这个式子非常直观：数据项 Yᵀ Σ⁻¹ Y 与先验项 Σ₀⁻¹ 相加，谁的信息量大，谁就主导估计。当某些参数不可辨识或数据不足时，先验项起到正则化作用，避免解发散。例如，已知某连杆质量大致在 2.5 kg 附近，可设 β₀ 对应分量 2.5、Σ₀ 对应方差 0.1²，这样即使该方向数据信息很弱，估计也不会跑到物理上不合理的值。
三种方法的关系可以这样理解：最小二乘只关心残差；极大似然进一步指定噪声分布；贝叶斯再进一步引入先验。它们不是互相替代，而是随可用信息逐层加码。实际工程中，常先用最小二乘或 SVD 确定可辨识参数集，再用加权最小二乘或极大似然精估，最后用贝叶斯正则化处理病态方向。
五、一个可操作的判断流程
面对一组新的多体系统辨识任务，可按以下顺序判断：
- 写出动力学方程，确认对惯性参数是否线性；若含非线性参数（如摩擦指数），先做变量替换或分层辨识。
- 构造回归矩阵 Y，计算其秩 r 和奇异值谱，确定基参数集 β 的维数。
- 若 r 远小于物理参数个数，提取 K 矩阵，明确哪些组合可辨识、哪些不可辨识。
- 根据噪声特性选择估计器：白噪声用普通最小二乘；已知协方差用加权最小二乘或极大似然；病态或小样本用贝叶斯正则化。
- 用估计协方差或后验方差评估参数精度，对不可辨识方向给出先验取值或约束范围。
参数辨识的数学本质，可以概括为一句话：在给定模型结构和实验数据下，寻找可辨识参数组合的最优估计，并明确不可辨识部分的处理方式。最小二乘、极大似然和贝叶斯估计分别对应“只用数据”“数据加噪声模型”“数据加噪声模型加先验”三种信息层级。理解这一点，才能在面对具体多体系统时，选对方法、看懂结果、判断精度。