1. 课程导入
当你把一台工业机器人从仓库搬到产线，控制器里加载的往往是厂家出厂时写入的一套“名义参数”：连杆长度、质心位置、惯量、关节摩擦、减速比、编码器零位……这些数字来自设计图纸与批量标定，却未必等于你眼前这台机器在真实温度、负载、装配公差下的实际状态。机器人系统辨识与仿真参数标定，就是解决“模型与实物不一致”这一根本问题的工程方法体系。它通过设计激励轨迹、采集关节运动与力矩数据、建立参数化动力学模型、用优化算法反求参数，最终让仿真环境中的机器人行为与真实机器人高度一致。
一句话定义：系统辨识是从输入输出数据中估计机器人动力学/运动学模型参数的过程；仿真参数标定则是把辨识结果映射到仿真器（如 MuJoCo、Gazebo、Isaac Sim）中，使虚拟机器人与物理机器人具备可复现的一致性。
核心原理：从“名义模型”到“真实模型”
机器人动力学可写成如下形式：
τ = M(q)q̈ + C(q,q̇)q̇ + G(q) + F(q̇) + τ_ext
其中：
q, q̇, q̈ 关节位置、速度、加速度
M(q) 惯性矩阵
C(q,q̇) 科氏力与离心力项
G(q) 重力项
F(q̇) 摩擦项（库仑+粘滞）
τ_ext 外部接触力关键洞察是：该方程对惯性参数（质量、质心、惯量）是线性的，可以整理为 τ = Y(q,q̇,q̈)·θ，其中 Y 是回归矩阵，θ 是待辨识参数向量。于是辨识问题转化为一个最小二乘/加权最小二乘问题：θ̂ = argmin ‖τ - Yθ‖²。但并非所有参数都可辨识——只有“基参数集”能从数据中唯一确定，其余参数存在耦合，这正是辨识实验设计必须解决的核心矛盾。
方法流程：五步闭环
- 建模：确定辨识对象（刚体动力学、摩擦、关节柔性、传动误差），写出参数线性化形式。
- 激励轨迹设计：常用有限项傅里叶级数，使回归矩阵条件数最小化，保证参数可辨识性。
- 数据采集与预处理：采集 q、q̇、τ，做滤波、差分、对齐，剔除异常段。
- 参数估计：最小二乘、加权最小二乘、鲁棒回归或递推辨识，得到基参数集。
- 验证与仿真标定：用独立轨迹验证预测力矩误差，再把参数写入仿真模型，对比仿真与实测轨迹。
案例场景：一台六轴协作机械臂的标定
某协作臂在装配任务中需要实现 0.1 mm 级插孔，但仿真中训练好的策略迁移到真机后成功率骤降。排查发现：仿真使用的连杆质量与质心来自 CAD 名义值，而实际关节摩擦未建模。团队执行以下操作：
# 激励轨迹参数示例（傅里叶级数）
q_i(t) = q_i0 + Σ [ a_ik·sin(kωt) + b_ik·cos(kωt) ]
ω = 0.2 Hz, 基频项数 = 5
采样率 = 1000 Hz, 时长 = 30 s
# 辨识结果（部分）
关节2 质量: 名义 8.5 kg → 辨识 9.12 kg
关节2 质心: 名义 0.21 m → 辨识 0.238 m
库仑摩擦: 0.8 N·m → 1.35 N·m
粘滞摩擦: 0.05 → 0.11 N·m·s/rad将上述参数写入 MuJoCo 的 MJCF 后，仿真与实测的关节力矩均方根误差从 18% 降至 4.7%，策略迁移成功率从 42% 提升至 89%。
常见误区与复盘
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 直接用 CAD 名义参数 | 仿真与真实偏差大，策略失效 | 必须做实验辨识，至少标定摩擦与负载 |
| 激励轨迹过于简单 | 回归矩阵病态，参数不可辨识 | 使用多正弦、宽频带、大范围激励 |
| 忽略摩擦与关节柔性 | 低速段力矩预测严重偏差 | 加入库仑+粘滞+Stribeck 摩擦模型 |
| 只用训练数据验证 | 过拟合，泛化差 | 留出独立验证轨迹，交叉验证 |
| 仿真参数标定只改质量 | 接触、阻尼、执行器延迟仍不匹配 | 联合标定动力学、摩擦、执行器与传感器延迟 |
学习建议：本课程后续章节将依次展开运动学标定、动力学辨识、摩擦建模、执行器建模、仿真器参数映射、Sim-to-Real 迁移与验证。建议边学边用一台真实或仿真机器人做实验，把每一章的参数都落到具体数值上。
注意：系统辨识不是“一次标定终身有效”。温度漂移、负载变化、减速器磨损都会让参数缓慢变化。工程上应建立定期复标机制，并在仿真中保留参数不确定度区间。
掌握系统辨识与仿真参数标定，意味着你不再把仿真当作“动画演示”，而是把它当作可量化、可验证、可迁移的工程工具。这是机器人算法从实验室走向产线的关键一步。