4. 动力学基础

机械臂动力学研究的是关节驱动力/力矩与运动状态（位置、速度、加速度）之间的映射关系。在轨迹规划与控制算法设计中，动力学模型是前馈补偿、力矩控制、阻抗控制以及参数辨识的理论基石。本章从物理本质出发，系统讲解两种主流建模方法——牛顿-欧拉递推法与拉格朗日方程法，并深入剖析动力学方程的标准形式及其关键性质，为后续控制算法设计提供数学工具。

4.1 牛顿-欧拉递推法：从物理力学到计算效率

牛顿-欧拉法基于刚体动力学的基本物理定律——牛顿第二定律（平动）与欧拉方程（转动），通过相邻连杆之间的约束关系递推求解。该方法分为两个阶段：向外递推（从基座到末端执行器）计算各连杆的角速度、角加速度、线加速度；向内递推（从末端到基座）计算各关节所需的驱动力/力矩。其计算复杂度为 O(n)，在关节数较多时效率远高于拉格朗日法，因此被广泛应用于实时控制系统。

4.1.1 核心原理与递推公式

设连杆 i 的质心位置为 c_i，惯性张量为 I_i，角速度为 ω_i，线加速度为 a_i。向外递推的核心公式为：

ω_{i+1} = R_{i+1}^i · ω_i + θ̇_{i+1} · z_{i+1}   （旋转关节）
a_{i+1} = R_{i+1}^i · [a_i + α_i × p_{i+1}^i + ω_i × (ω_i × p_{i+1}^i)]

其中 R 为旋转矩阵，p 为位置向量，z 为关节轴方向。向内递推则根据力/力矩平衡：

f_i = R_{i+1}^i · f_{i+1} + m_i · a_{c_i}
n_i = R_{i+1}^i · n_{i+1} + p_{c_i} × f_i + I_i · α_i + ω_i × (I_i · ω_i)
τ_i = n_iᵀ · z_i

实际工程中，通常采用修正的牛顿-欧拉法，将质心加速度分解为连杆坐标系下的分量，避免在惯性系与连杆系之间反复变换，进一步提升计算效率。

4.1.2 操作流程与实现要点

1. 建立连杆坐标系：采用 Denavit-Hartenberg（D-H）参数或旋量理论描述相邻连杆位姿关系。
2. 初始化：基座角速度 ω₀=0，角加速度 α₀=0，线加速度 a₀=[0,0,g]ᵀ（重力加速度反向）。
3. 向外递推：从 i=0 到 n-1，依次计算各连杆的运动学量。
4. 向内递推：从 i=n 到 1，计算各关节力/力矩。
5. 提取关节力矩：τ_i 即为驱动关节 i 所需的广义力。

4.1.3 案例拆解：六轴机器人实时力矩前馈

某六轴串联机器人用于高速搬运，额定负载 5kg，最高末端速度 3m/s。在高速运动时，仅靠 PID 反馈控制导致轨迹跟踪误差超过 ±2mm，无法满足装配精度要求。工程师采用牛顿-欧拉法构建动力学模型，在 1kHz 控制周期内实时计算前馈力矩：

• 建模参数：各连杆质量 m=[12.5, 8.2, 5.6, 2.1, 1.8, 0.9] kg，质心位置与惯性张量由 CAD 模型提取。
• 实施步骤：① 编写递推算法并离线验证；② 在伺服驱动器中增加前馈通道；③ 通过阶跃响应测试调整前馈增益。
• 结果对比：加入前馈后，高速轨迹跟踪误差从 ±2mm 降至 ±0.3mm，且电机峰值电流降低约 18%。

该案例表明，牛顿-欧拉法不仅提供精确的动力学补偿，还能通过降低反馈控制负担来减少执行器饱和风险。

4.2 拉格朗日方程法：从能量视角构建全局模型

拉格朗日法从系统能量出发，定义拉格朗日函数 L = K - P（动能减势能），通过变分原理推导动力学方程。该方法不依赖内部约束力的显式求解，适合处理复杂多体系统，且能自然导出动力学方程的标准形式，便于理论分析。

4.2.1 核心原理与推导步骤

对于 n 自由度机械臂，拉格朗日方程为：

d/dt(∂L/∂q̇) - ∂L/∂q = τ

其中 q 为广义坐标向量。推导步骤如下：

1. 计算动能：K = ½ Σᵢ (mᵢ·v_{cᵢ}ᵀ·v_{cᵢ} + ωᵢᵀ·Iᵢ·ωᵢ)，其中 v_{cᵢ} 为连杆 i 质心速度。
2. 计算势能：P = Σᵢ mᵢ·gᵀ·p_{cᵢ}（重力势能），若含弹簧则加入弹性势能。
3. 代入方程：对 L 分别求 ∂L/∂q̇ 和 ∂L/∂q 的时间导数与偏导数。
4. 整理为标准形式：将结果整理为 M(q)q̈ + C(q,q̇)q̇ + G(q) = τ。

拉格朗日法得到的方程项数较多（尤其是 C 矩阵），但结构清晰，便于分析系统能量特性。

4.2.2 标准形式与物理意义

标准形式将复杂的动力学关系分解为三个独立部分，分别对应加速度、速度平方项和位置相关项，为控制律设计提供了清晰的物理分解。

4.2.3 案例拆解：SCARA 机器人动力学建模与验证

某 SCARA 机器人（四轴，水平多关节）用于电子装配，需在 0.5s 内完成 300mm 水平位移。工程师采用拉格朗日法建模：

• 建模过程：仅考虑前三个旋转关节（忽略第四轴垂直运动），推导出 3×3 惯性矩阵和科氏力项。
• 参数辨识：通过最小二乘法辨识连杆质量与质心位置，辨识数据来自激励轨迹下的力矩/编码器采样。
• 验证结果：模型预测力矩与实际力矩的均方根误差小于 0.8 N·m，最大误差出现在加减速阶段（约 1.5 N·m），主要源于未建模的柔性效应。

该案例说明拉格朗日法适合结构相对简单的机器人，且便于后续进行参数辨识与自适应控制扩展。

4.3 动力学方程的标准形式与关键性质

无论采用哪种建模方法，最终都可整理为统一的标准形式。该形式不仅是控制算法设计的出发点，其本身蕴含的数学性质也为稳定性分析和控制器设计提供了理论保障。

4.3.1 标准形式的统一表达

M(q)q̈ + C(q,q̇)q̇ + G(q) + τ_f(q̇) = τ

其中 M(q) 为 n×n 对称正定惯性矩阵，C(q,q̇) 为科氏力/离心力矩阵，G(q) 为重力项，τ_f 为摩擦力。在实际系统中，还可能包含外部干扰项 τ_d。

4.3.2 四大核心性质详解

性质1：惯性矩阵对称正定性。M(q) = M(q)ᵀ 且 xᵀM(q)x > 0（∀x≠0）。该性质保证系统动能始终为正，且 M(q) 可逆，为控制律中 M(q)⁻¹ 的计算提供数学基础。

性质2：斜对称性。矩阵 Ṁ(q) - 2C(q,q̇) 为斜对称矩阵，即 xᵀ(Ṁ-2C)x = 0。该性质源于能量守恒定律，是 Lyapunov 稳定性分析的核心工具，常用于证明 PD 控制器的渐近稳定性。

性质3：线性参数化。动力学方程可改写为 τ = Y(q,q̇,q̈)·θ，其中 Y 为已知回归矩阵，θ 为未知但恒定的物理参数向量（质量、质心、惯性张量等）。该性质是参数辨识、自适应控制和基于模型预测控制的基础。

性质4：有界性。科氏力矩阵满足 ||C(q,q̇)|| ≤ k_c·||q̇||，重力项满足 ||G(q)|| ≤ k_g。这些界可用于鲁棒控制器的设计，保证系统在参数不确定情况下的稳定性。

4.3.3 常见误区与工程注意事项

4.3.4 案例拆解：基于动力学性质的控制器调优

某七轴冗余机械臂在精密装配中遇到低频抖动问题（约 2Hz），经排查为科氏力补偿不足导致。工程师利用斜对称性设计 Lyapunov 函数 V = ½q̇ᵀM(q)q̇ + ½eᵀK_p e，通过调整 PD 增益并加入自适应参数估计：

• 初始现象：末端抖动幅度 ±0.5mm，电机电流波动明显。
• 分析过程：采集关节力矩数据，发现第二、三关节在高速运动时力矩误差与 q̇² 强相关，确认科氏力补偿缺失。
• 解决方案：① 利用线性参数化性质，在线辨识关键参数；② 将辨识结果代入前馈补偿；③ 重新整定 PD 增益。
• 结果对比：抖动幅度降至 ±0.08mm，装配成功率从 92% 提升至 99.5%。

该案例展示了动力学性质如何指导实际控制系统的调试与优化，体现了理论分析对工程实践的强大支撑作用。

本章系统梳理了机械臂动力学的两大建模方法、标准形式及其核心性质。牛顿-欧拉法适合实时计算与嵌入式实现，拉格朗日法适合理论分析与参数辨识，而标准形式的四大性质则为控制算法设计提供了坚实的数学基础。在实际工程中，应根据机器人结构、控制周期和精度要求选择合适的建模方法，并充分利用动力学性质优化控制器性能。