1. 课程导入

欢迎进入《机器人动力学参数辨识：从理论到实践》课程。在正式开始技术细节之前，我们需要先回答三个根本性问题：为什么要做动力学参数辨识？它到底解决什么问题？以及我们将以怎样的路径掌握这项技能？动力学参数辨识并非一个孤立的数学工具，而是连接机器人理论模型与工程实物的关键桥梁。无论是高精度轨迹跟踪、负载自适应控制、碰撞检测，还是数字孪生与预测性维护，都离不开一套准确、可用的动力学模型参数。本章作为全课程的起点，将帮助你建立全局视野，明确学习目标，理解课程结构，并深刻认识参数辨识在机器人工程中的战略价值。

1.1 学习目标：学完这门课，你将具备什么能力？

本课程不是纯理论推导课，也不是简单的软件操作课。我们追求的是“理论-算法-工程”三位一体的能力构建。学完本课程，你应该能够独立完成从机器人动力学建模到参数辨识落地验证的全流程工作。具体而言，学习目标分为以下五个层级：

目标层级	具体能力描述	对应章节
理论理解	深刻理解刚体动力学、摩擦模型、柔性模型的基本原理，掌握牛顿-欧拉与拉格朗日建模方法	第2-4章
数学工具	掌握最小参数集、回归矩阵、可辨识性分析、激励轨迹优化设计等核心数学方法	第5-8章
算法实现	能够用Python/MATLAB实现加权最小二乘、极大似然估计、卡尔曼滤波等辨识算法	第9-12章
工程实践	掌握实验设计、数据采集与滤波、参数验证、模型修正的完整工程流程	第13-20章
综合应用	能够针对不同机器人（工业机械臂、协作机器人、移动机器人）设计定制化辨识方案	第21-30章

1.2 课程结构：从理论到实践的螺旋式上升路径

本课程共30章，按照“基础理论 → 核心方法 → 工程实践 → 高级专题”四个阶段组织。这种结构设计遵循认知规律：先建立物理直觉和数学基础，再深入算法细节，然后通过大量案例和实验将知识内化，最后拓展到前沿应用场景。

阶段一（第1-4章）：基础与建模。在完成本章导入后，我们将系统回顾机器人运动学基础，然后深入推导牛顿-欧拉递推算法和拉格朗日方程，建立完整的刚体动力学模型。这一阶段的关键是理解动力学模型的线性结构——即力矩与惯性参数之间的线性关系，这是后续所有辨识方法的数学基石。

阶段二（第5-12章）：辨识理论与算法。这是课程的核心技术区。我们将学习如何从完整的动力学模型中提取最小参数集，如何构造回归矩阵，如何设计最优激励轨迹（包括有限傅里叶级数、多项式轨迹、随机轨迹等），以及如何使用最小二乘、加权最小二乘、递推最小二乘、极大似然估计等算法进行参数求解。这一阶段会配合大量仿真练习，帮助你理解每个算法的适用条件和数值特性。

阶段三（第13-20章）：工程实施与验证。理论算法要落地，必须解决工程中的实际问题。这一阶段涵盖实验平台搭建、传感器标定、数据采集与滤波、参数漂移处理、模型验证方法（如力矩残差分析、预测误差评估）、以及辨识结果在控制回路中的集成。我们会以六轴工业机器人和协作机器人为例，展示完整的辨识流程。

阶段四（第21-30章）：高级专题与行业应用。最后阶段拓展到更复杂的场景：考虑关节柔性的辨识、基座力/力矩传感器辅助辨识、移动机械臂的联合辨识、液压/气动执行器辨识、以及基于深度学习的参数辨识新范式。同时，我们会讨论辨识结果在碰撞检测、零力控制、数字孪生等前沿应用中的具体用法。

1.3 机器人动力学参数辨识的定义与核心原理

那么，究竟什么是“机器人动力学参数辨识”？我们给出一个严谨的定义：机器人动力学参数辨识是指通过实验测量机器人关节运动（位置、速度、加速度）和关节力/力矩（或电流），利用动力学模型的线性结构，运用参数估计方法，确定模型中未知物理参数（如质量、质心位置、惯性张量、摩擦系数等）的过程。

这个定义包含四个关键要素：

• 实验测量：需要设计特定的激励轨迹，让机器人充分运动，同时以足够高的采样率记录关节位置和力矩信号。测量质量直接决定辨识精度。
• 模型线性结构：这是辨识可行性的数学基础。对于刚性机器人，其逆动力学方程可以写成 τ = Y(q, q̇, q̈) · π 的形式，其中 Y 是只与运动状态有关的矩阵，π 是待辨识的参数向量。这种线性关系使得我们可以使用线性回归方法。
• 参数估计：在获得多组测量数据后，构建超定方程组，通过最小化残差（通常是加权最小二乘准则）来求解参数向量。
• 物理参数：包括每个连杆的质量 m_i、质心位置向量 r_i、惯性张量 I_i，以及关节摩擦参数（库仑摩擦、粘性摩擦系数）等。

为了更直观地理解，我们看一个单连杆摆的简化例子。假设一个质量为 m、质心距转轴距离为 l、转动惯量为 I 的连杆，在重力场中运动，其动力学方程为：

τ = I·q̈ + m·g·l·sin(q) + f_v·q̇ + f_c·sign(q̇)

其中 f_v 为粘性摩擦系数，f_c 为库仑摩擦系数。这个方程可以重写为：

τ = [q̈, g·sin(q), q̇, sign(q̇)] · [I, m·l, f_v, f_c]^T

这里，回归矩阵 Y = [q̈, g·sin(q), q̇, sign(q̇)] 完全由测量得到的运动状态决定，而待辨识参数 π = [I, m·l, f_v, f_c]^T。通过让连杆按照预设轨迹运动，采集多组 (τ, q, q̇, q̈) 数据，就可以用最小二乘法求解 π。

1.4 工程意义：为什么参数辨识如此重要？

在工业界，很多机器人应用“能用”但“不够好”，其根源往往在于动力学参数不准确。我们通过几个典型场景来说明参数辨识的工程价值。

场景一：高精度轨迹跟踪。在激光切割、3D打印、精密装配等应用中，要求机器人末端轨迹误差小于0.1mm。单纯依靠PID反馈控制很难达到这一指标，因为反馈控制存在滞后。工程上普遍采用“前馈+反馈”复合控制：前馈项基于动力学模型计算期望力矩，反馈项补偿模型误差和扰动。如果动力学参数不准，前馈力矩就会产生偏差，导致跟踪误差增大。通过参数辨识将模型精度提高，前馈效果显著改善。

场景二：碰撞检测与安全交互。协作机器人必须能够在与人接触时快速检测到碰撞并停止。基于动量观测器的碰撞检测方法不依赖加速度信号，而是比较实际驱动力矩与模型预测力矩的残差。当残差超过阈值时判定为碰撞。如果模型参数不准确，残差基线就会波动，导致误报（频繁停机）或漏报（碰撞检测不到）。准确的参数辨识是碰撞检测可靠性的前提。

场景三：负载自适应控制。工业机器人末端执行器抓取不同重量的工件时，其动力学特性会发生变化。如果每次更换负载都重新手动调试控制器参数，效率极低。通过在线辨识负载的惯性参数，控制系统可以自动调整前馈模型，实现“即插即用”的负载自适应。

1.5 案例拆解：一个典型的参数辨识项目全流程

为了让你对参数辨识有整体感知，我们以一个六轴工业机器人（如ABB IRB 120）的辨识项目为例，展示完整的工程流程。这个案例将贯穿本课程多个章节，这里先给出概览。

项目背景与约束：某汽车零部件生产线使用六轴机器人进行搬运作业，负载在2kg-8kg之间变化。现场要求机器人末端轨迹跟踪误差小于0.5mm，且需要实现碰撞检测功能。机器人控制器支持外部力矩前馈接口，但出厂动力学参数为名义值，与实际存在偏差（尤其是负载变化后）。项目目标是通过参数辨识获得高精度动力学模型，并集成到控制器中。

初始现象与关键指标：使用出厂参数时，在高速搬运（TCP速度1.5m/s）工况下，末端轨迹误差达到2.3mm，超出规格要求。碰撞检测功能因模型残差过大而无法启用（误报率高达30%）。

实施步骤：

1. 建模阶段：基于机器人DH参数和连杆质量属性，建立完整的牛顿-欧拉逆动力学模型，推导出回归矩阵 Y(q, q̇, q̈)。
2. 参数化简：通过符号计算消除不可辨识的参数组合，得到最小参数集（对于6轴机器人，通常为48-60个参数）。
3. 激励轨迹设计：设计有限傅里叶级数轨迹，优化各关节的幅值和频率，使得回归矩阵的条件数最小化。轨迹周期取20秒，覆盖机器人主要工作空间。
4. 数据采集：在机器人空载和带载（8kg）两种工况下，分别执行激励轨迹，以1kHz采样率记录关节位置、力矩指令和实际力矩反馈。
5. 数据预处理：对位置信号进行低通滤波（截止频率15Hz），然后数值微分得到速度和加速度。注意使用零相位滤波避免相位偏移。
6. 参数估计：使用加权最小二乘法，权重根据力矩测量噪声方差设置。同时施加参数物理一致性约束（如质量为正、惯性张量正定）。
7. 模型验证：设计独立的验证轨迹（不同于激励轨迹），比较模型预测力矩与实际力矩的残差。残差均方根值应小于力矩幅值的5%。
8. 控制集成：将辨识得到的参数写入控制器前馈模型，重新测试轨迹跟踪精度和碰撞检测功能。

结果对比：

性能指标	辨识前（出厂参数）	辨识后（空载）	辨识后（带载8kg）
末端轨迹误差（mm）	2.3	0.4	0.6
力矩预测残差（Nm）	12.5	1.8	2.1
碰撞检测误报率	30%	0.5%	0.8%

风险与代价：整个辨识过程耗时约2个工作日，包括轨迹设计、实验执行和数据处理。主要风险在于：① 激励轨迹可能超出关节速度/加速度限制，需要反复调整；② 摩擦参数随温度变化，需要控制机器人充分预热后再采集数据；③ 辨识结果对负载变化敏感，需要针对不同负载分别辨识或建立负载参数映射。

复盘经验：这个案例告诉我们，参数辨识不是一次性的“魔法”，而是一个需要“建模-实验-验证-迭代”的系统工程。每个环节的失误都会影响最终精度。后续章节中，我们将逐一深入每个环节的技术细节。

1.6 常见误区与总结复盘

在课程开始之际，我们有必要澄清几个初学者常见的认知误区，这些误区会在后续学习中反复出现。