第四章：动力学基础——牛顿-欧拉法与拉格朗日法

各位工程师朋友，欢迎来到动力学这一章。说实话，很多做步态控制的同行，一听到「动力学」三个字就头疼。我当年刚入行时也一样，觉得运动学能走就行，干嘛要算力？直到有一次，我设计的机器人走两步就摔了——电机扭矩不够，关节直接打滑。嗯，从那以后，我再也不敢轻视动力学了。

这一章，我们重点聊四个东西：牛顿-欧拉法、拉格朗日法、关节力矩计算，以及地面反作用力模型。说白了，就是搞清楚「机器人为什么会动」以及「动的时候受哪些力」。

我个人习惯用牛顿-欧拉法做实时控制。为什么？因为它直观。你想想看，每个连杆受到的外力、力矩，直接跟加速度挂钩。公式简单：

F = m * a
τ = I * α + ω × (I * ω)

前者是牛顿第二定律，后者是欧拉方程。对于人形机器人，我们通常从脚底开始，逐级向上递推。先算地面反作用力，再算踝关节、膝关节、髋关节……一直推到躯干。

核心思路：牛顿-欧拉法分为两步——正向递推（计算速度和加速度）和反向递推（计算力和力矩）。正向从基座到末端，反向从末端到基座。

我在项目中遇到过一个问题：用牛顿-欧拉法算出来的力矩，跟实际电机反馈对不上。后来发现，是我忽略了关节摩擦和电机惯量。所以提醒各位，理论模型一定要加补偿项，否则仿真跑得欢，实机就翻车。

拉格朗日法，说白了就是「能量守恒」的升级版。你不需要关心每个关节的受力细节，只需要知道系统的动能和势能。公式长这样：

L = T - V
τ = d/dt (∂L/∂q̇) - ∂L/∂q

其中 T 是动能，V 是势能，q 是关节角度。这个方法的好处是——自动消除内部约束力。你想想看，如果机器人有闭链结构（比如双手撑地），用牛顿-欧拉法会多出一堆约束方程，而拉格朗日法直接绕过去了。

我的建议：做离线仿真或轨迹优化时，用拉格朗日法。做实时控制时，用牛顿-欧拉法。前者推导简洁，后者计算效率高。

我曾经用拉格朗日法推导一个12自由度的双足机器人模型，整整写了两页纸的公式。后来发现，其实可以用符号计算工具（比如SymPy）自动生成。嗯，这里要提醒大家：别手算，容易错。

关节力矩，是动力学计算的最终输出。你算出来的力矩，要直接发给电机驱动器。所以精度很重要。

常见的力矩来源有三个：

我一般把动力学方程写成标准形式：

τ = M(q) * q̈ + C(q, q̇) * q̇ + G(q)

M 是惯性矩阵，C 是科里奥利矩阵，G 是重力向量。实际控制时，我们通常用计算力矩法：先根据期望轨迹算出前馈力矩，再用PD反馈补偿误差。

注意：千万不要直接拿理论力矩去驱动电机。电机有饱和、有延迟、有摩擦。我建议至少加一个低通滤波器，把力矩指令的高频分量滤掉，否则电机会抖。

人形机器人跟地面打交道，全靠脚底。地面反作用力（GRF）决定了你能不能站稳、能不能走起来。

最简单的模型是点接触模型：假设脚底只有一个接触点，力可以分解为法向力和切向力。法向力用弹簧阻尼模型：

F_n = k * (z_pen) + b * (ż_pen)

其中 z_pen 是穿透深度，k 是刚度，b 是阻尼。切向力用库仑摩擦模型：

F_t = μ * F_n

但实际项目中，点接触模型不够用。为什么？因为人脚有脚掌，有足弓，着地时是面接触。我建议用压力分布模型，把脚底分成多个区域，每个区域独立计算接触力。

避坑指南：我曾经在草地上测试机器人，地面刚度参数没调好，结果机器人一脚踩下去直接陷进去。后来我加了自适应刚度估计，根据脚底压力传感器的反馈实时调整 k 和 b。效果好了很多。

另外，地面反作用力还有一个重要用途——零力矩点（ZMP）。ZMP 是脚底压力中心的位置，只要 ZMP 落在支撑多边形内，机器人就不会倒。这是步态规划的核心判据。

下面这张图，是我自己整理的动力学知识框架。你可以把它当作学习路线图：

动力学这东西，说难也难，说简单也简单。你只要记住：牛顿-欧拉法算力，拉格朗日法算能量，关节力矩是结果，地面反力是边界。我在实际项目中，通常把两者结合起来用——用拉格朗日法做离线轨迹优化，用牛顿-欧拉法做在线力矩补偿。

最后送大家一句话：动力学不是用来吓人的，是用来让机器人走得更稳的。多调参数，多跑仿真，慢慢就有感觉了。

实用工具推荐：Robotics Toolbox for Python（Peter Corke 出品）、Pinocchio（高效动力学库）、MuJoCo（物理仿真）。这三个我都在用，各有千秋。

可可精品资料库