4. 惯性参数与摩擦参数
机器人动力学参数辨识的核心目标，是获得一组能够准确描述机器人关节力矩与运动状态之间映射关系的数值参数。这些参数并非孤立存在，而是分为两大阵营：惯性参数（质量、质心位置、惯性张量）决定了机器人本体在运动过程中需要克服的惯性力与重力矩；摩擦参数（库仑摩擦、粘性摩擦及非线性摩擦）则刻画了关节传动机构在运动过程中产生的阻力特性。两者共同构成了动力学方程中力矩预测的全部来源。若将动力学方程比作一台精密天平，惯性参数决定了“砝码”的静态重量，而摩擦参数则决定了“天平支点”的动态阻力。本章将系统拆解这两类参数的物理意义、辨识方法、工程实践中的关键陷阱，并给出完整的参数辨识案例闭环。
4.1 惯性参数：质量、质心与惯性张量的物理本质
惯性参数描述的是机器人连杆的“质量分布特性”。在动力学方程中，这些参数以线性组合的形式出现在惯性矩阵 M(q)、科氏力/离心力矩阵 C(q, q̇) 以及重力项 G(q) 中。理解其物理意义是辨识的前提。
- 质量 m：连杆的标量质量，直接决定重力项
G(q) = m·g·J_c(q)的大小。在辨识中，质量通常与质心位置耦合出现，难以单独辨识，因此常以“质量×质心坐标”的组合形式（即一阶矩）作为辨识参数。 - 质心位置 r_c：连杆质心在连杆坐标系中的三维坐标。它决定了重力力矩的力臂长度。对于六轴工业机器人，每个连杆的质心偏移几毫米，就可能导致末端负载能力评估产生显著偏差。
- 惯性张量 I：一个 3×3 对称矩阵，包含 3 个主惯量（Ixx, Iyy, Izz）和 3 个惯量积（Ixy, Ixz, Iyz）。它描述了连杆绕自身质心旋转时的惯性阻力。在辨识中，惯性张量通常需要折算到关节轴坐标系下，且与连杆质量、质心位置存在耦合关系。
在参数辨识实践中，我们通常不直接辨识上述原始物理量，而是辨识最小惯性参数集。这是因为动力学方程中，某些参数组合对关节力矩的影响完全相同，无法独立辨识。例如，对于二连杆平面机械臂，10 个原始惯性参数（2 个质量、4 个质心坐标、4 个惯量）可以简化为 5 个最小参数集。这种简化不仅降低了辨识计算量，也提高了数值稳定性。
| 参数类别 | 物理符号 | 单位 | 在动力学方程中的角色 | 辨识难度 |
|---|---|---|---|---|
| 质量 | m | kg | 重力项、惯性项 | 中（需与质心解耦） |
| 质心位置 | r_c = [x, y, z] | m | 重力矩、惯性矩 | 中高（需激励轨迹） |
| 主惯量 | Ixx, Iyy, Izz | kg·m² | 关节角加速度项 | 高（需高速激励） |
| 惯量积 | Ixy, Ixz, Iyz | kg·m² | 耦合惯性项 | 高（需多轴联动） |
4.2 摩擦参数：从线性到非线性的完整建模
摩擦是影响机器人低速性能、轨迹跟踪精度和力控稳定性的关键因素。摩擦模型的选择直接决定了辨识结果的可用性。工程中最常用的摩擦模型分为三类：
- 库仑+粘性摩擦模型（线性）：
F(q̇) = F_c·sign(q̇) + F_v·q̇。其中 F_c 为库仑摩擦常数，F_v 为粘性摩擦系数。该模型简单、参数少，适用于中高速运动场景，但在零速附近存在不连续点，容易引起控制抖振。 - Stribeck 摩擦模型（非线性）：
F(q̇) = F_c·sign(q̇) + (F_s - F_c)·exp(-(q̇/v_s)²)·sign(q̇) + F_v·q̇。其中 F_s 为静摩擦，v_s 为 Stribeck 速度。该模型能够描述低速下的“负阻尼”现象，是伺服系统低速爬行问题的理论解释。 - LuGre 模型（动态摩擦）：引入鬃毛形变状态变量 z，能够描述摩擦的预滑动位移、摩擦记忆和滞回特性。该模型精度最高，但参数辨识复杂，通常用于高精度力控或微动场景。
在实际工程中，我们建议采用分段辨识策略：首先在恒速段辨识库仑+粘性参数，然后通过低速扫描辨识 Stribeck 参数，最后根据残差决定是否需要引入 LuGre 模型。这种策略避免了直接拟合非线性模型的病态问题。
4.3 辨识方法与操作流程：从激励轨迹到参数提取
惯性参数与摩擦参数的辨识，本质上是一个线性回归问题。动力学方程可以改写为：
τ = Φ(q, q̇, q̈) · θ其中 Φ 为回归矩阵（由运动学状态决定），θ 为待辨识参数向量（包含惯性参数与摩擦参数）。辨识流程分为以下五个关键步骤：
- 动力学建模与参数线性化：使用牛顿-欧拉递推法或拉格朗日法建立动力学方程，并整理为线性回归形式。此步骤需要借助符号计算工具（如 MATLAB Symbolic、SymPy）完成。
- 激励轨迹设计：设计满足持续激励条件的关节轨迹。常用方法包括：傅里叶级数轨迹、多项式轨迹、有限项正弦叠加轨迹。激励轨迹的幅值、频率和相位需要优化，以保证回归矩阵 Φ 的条件数最小。
- 数据采集与滤波：以 1kHz 以上采样率采集关节位置、速度和力矩指令。位置数据需通过中心差分或低通滤波获得速度与加速度，力矩数据需进行零漂校正和低通滤波（截止频率通常为 10-50Hz）。
- 参数估计：采用加权最小二乘法（WLS）或递推最小二乘法（RLS）求解 θ。权重矩阵通常取力矩测量噪声方差的倒数。对于非线性摩擦模型，需采用非线性优化（如 Levenberg-Marquardt）或分段线性化处理。
- 模型验证：使用不同于辨识轨迹的验证轨迹，对比模型预测力矩与实际测量力矩的残差。若残差均方根误差小于力矩峰值的 5%，则认为辨识结果合格。
| 步骤 | 关键工具/方法 | 常见错误 | 质量指标 |
|---|---|---|---|
| 建模 | 牛顿-欧拉递推 | 忽略关节柔性 | 模型自由度匹配 |
| 激励轨迹 | 傅里叶级数优化 | 激励不充分 | 条件数 < 50 |
| 数据采集 | 1kHz 采样 + 巴特沃斯滤波 | 相位延迟未补偿 | 信噪比 > 20dB |
| 参数估计 | 加权最小二乘 | 未处理异常值 | 参数标准差 < 10% |
| 验证 | 交叉验证轨迹 | 过拟合 | 残差 RMS < 5% 峰值 |
4.4 案例拆解：六轴机器人第三关节的参数辨识实战
以下案例基于某型号 6kg 负载六轴工业机器人，针对第三关节（J3）进行完整的惯性参数与摩擦参数辨识。该关节为垂直方向运动，重力影响显著，且减速比高达 1:121，摩擦效应明显。
背景与约束：机器人控制器仅提供位置指令接口和电流反馈（可换算为关节力矩），采样周期 1ms。目标是将 J3 的轨迹跟踪误差从当前的 ±0.5mm 降低至 ±0.15mm，以满足精密装配任务需求。
初始现象：在低速正弦跟踪（0.1Hz，幅值 30°）时，实测力矩与模型预测力矩存在明显偏差，尤其在速度过零附近出现约 8% 的力矩缺口，且方向切换时存在约 0.3s 的迟滞。
分析判断：初步判断为摩擦模型不准确。原控制器仅使用库仑+粘性模型，未考虑 Stribeck 效应。同时，J3 连杆的质心位置可能因末端工装变化而偏移，需重新辨识惯性参数。
操作步骤：
- 设计傅里叶级数激励轨迹，频率范围 0.05-2.0Hz，幅值 20°-50°，持续 30s。轨迹优化目标为回归矩阵条件数最小化。
- 采集 30s 数据，对位置信号进行 5 阶巴特沃斯低通滤波（截止频率 5Hz），采用中心差分法计算速度与加速度。
- 先辨识惯性参数：固定摩擦参数为初始值，使用 WLS 估计质量、质心、惯量。结果显示 J3 连杆质量估计为 8.2kg（CAD 值为 7.9kg），质心偏移 12mm。
- 再辨识摩擦参数：将惯性参数固定，使用非线性优化拟合 Stribeck 模型。得到 F_c = 3.8 N·m，F_s = 5.2 N·m，v_s = 0.02 rad/s，F_v = 1.5 N·m·s/rad。
- 联合优化：将全部参数作为变量，进行 3 轮迭代优化，直至参数变化小于 1%。
结果对比：辨识后，验证轨迹的力矩预测残差 RMS 从 12% 降至 3.2%。实际轨迹跟踪误差从 ±0.5mm 改善至 ±0.12mm，低速过零时的力矩缺口消失，迟滞时间缩短至 0.05s 以内。
风险与代价：辨识过程需要机器人空载运行 30s，期间无法生产。此外，若末端负载变化超过 20%，需重新辨识惯性参数。摩擦参数受温度影响显著（温升 10°C 可导致 F_c 下降 15%），建议在恒温环境下辨识，并在控制器中加入温度补偿前馈。
4.5 常见误区与总结复盘
在参数辨识的工程实践中，以下误区最为常见，需要特别警惕：
- 误区一：忽略关节柔性。谐波减速器或 RV 减速器存在 torsional compliance（扭转柔性），在高速加减速时会产生弹性变形，导致力矩测量与刚体模型不匹配。若辨识残差呈现周期性振荡，应考虑引入关节柔性模型。
- 误区二：激励轨迹幅值不足。若轨迹幅值过小，重力项和惯性项的信噪比低，参数估计方差大。建议每个关节至少运动至额定行程的 60%。
- 误区三：滤波相位延迟。对位置信号滤波后，速度和加速度计算会产生相位滞后。若未进行零相位滤波（如使用 filtfilt），辨识结果将出现系统性偏差。
- 误区四：摩擦参数与惯性参数耦合。在低速段，重力项与摩擦项量级相当，若同时辨识，容易产生参数漂移。建议采用“先惯性后摩擦”的分步策略，或使用加权矩阵强调不同速度段的贡献。
总结复盘：惯性参数与摩擦参数的辨识不是一次性的任务，而是贯穿机器人整个生命周期的持续过程。新机器人在出厂前应完成一次全参数辨识；更换减速器、电机或末端执行器后，应重新辨识相关关节参数；每半年或每 1000 工作小时后，建议进行快速验证（仅辨识摩擦参数）。通过建立参数数据库和漂移监测机制，可以显著提升机器人的长期轨迹精度和故障预警能力。