4、动力学基础（上）：牛顿-欧拉方程、拉格朗日方程、关节空间动力学模型

各位同学，欢迎来到动力学部分。说实话，很多做控制的工程师，一听到「动力学」三个字就头大。我当年也一样，觉得这东西太抽象，不如直接调PID来得痛快。但后来踩的坑多了，才明白——不懂动力学，你连机器人在抖什么都搞不清楚。

这一章，咱们聊聊动力学的基础。说白了，就是搞清楚「力」和「运动」之间的关系。你给关节施加一个力矩，机器人会怎么动？反过来，你让机器人按某个轨迹跑，需要多大的力？这就是动力学要回答的问题。

4.1 牛顿-欧拉方程：从单刚体到多连杆

先从一个简单的例子说起。你推一个箱子，箱子会加速。牛顿第二定律告诉我们：F = ma。对于旋转运动，类似的关系是：τ = Iα（力矩等于转动惯量乘以角加速度）。

嗯，这里要注意：对于单个刚体，牛顿-欧拉方程非常直观。但机器人是由多个连杆串联起来的，每个连杆的运动都会影响其他连杆。这就麻烦了。

我个人习惯把牛顿-欧拉法理解为「递推」的过程：

• 正向递推：从基座开始，依次计算每个连杆的速度、加速度（包括线加速度和角加速度）。
• 反向递推：从末端执行器开始，依次计算每个连杆受到的力和力矩，最终得到关节驱动力矩。

我在项目中遇到过这样一个问题：用牛顿-欧拉法建模时，忽略了科里奥利力（Coriolis force）的影响。结果机器人高速运动时，模型预测的力矩和实际力矩差了30%以上。后来查了半天，才发现是角速度耦合项没加进去。

4.2 拉格朗日方程：从能量角度看问题

牛顿-欧拉法虽然直观，但推导过程繁琐，尤其是对于自由度多的机器人。拉格朗日方程则提供了另一种思路——从能量角度出发。

拉格朗日函数 L 定义为：L = T - U，其中 T 是系统动能，U 是系统势能。然后拉格朗日方程是：

d/dt (∂L/∂q̇) - ∂L/∂q = τ

其中 q 是广义坐标（对于机器人，就是关节角度），τ 是广义力（关节力矩）。

你想想看，这个方程的好处是什么？你不需要去分析每个连杆的受力情况，只需要写出系统的总动能和总势能，然后求偏导就行了。说白了，就是「能量守恒 + 变分法」的产物。

我记得有一次给一个六轴机器人建模，用牛顿-欧拉法推导了整整两天，结果还漏了一项。后来改用拉格朗日法，半天就搞定了。当然，拉格朗日法也有缺点——对于复杂系统，求偏导的过程容易出错，而且计算量较大。

4.3 关节空间动力学模型：标准形式

无论是用牛顿-欧拉法还是拉格朗日法，最终得到的关节空间动力学模型都可以写成统一的形式：

M(q) * q̈ + C(q, q̇) * q̇ + G(q) = τ

其中：

• M(q)：惯性矩阵（正定对称），描述关节加速度与力矩的关系。
• C(q, q̇)：科里奥利力和离心力矩阵，描述速度耦合效应。
• G(q)：重力向量，描述重力对关节的影响。
• τ：关节驱动力矩向量。

这个公式，说白了就是机器人动力学的「标准答案」。所有控制算法——计算力矩控制、前馈控制、鲁棒控制——都是在这个公式的基础上设计的。

举个例子，如果你要做前馈控制，你需要提前计算出 M(q)、C(q, q̇)、G(q) 的值，然后根据期望的加速度 q̈_des 计算出前馈力矩 τ_ff = M(q) * q̈_des + C(q, q̇) * q̇ + G(q)。这样，反馈控制器只需要补偿模型误差和扰动就行了。

4.4 知识体系结构图

下面这张图，是我自己总结的动力学知识体系。你可以把它当作本章的「地图」：

4.5 实际应用中的注意事项

聊完了理论，咱们说说实际干活时要注意什么。

方法	优点	缺点	适用场景
牛顿-欧拉法	物理意义清晰，递推计算效率高	推导繁琐，容易漏项	实时控制、嵌入式实现
拉格朗日法	系统化，适合复杂系统	求偏导计算量大	离线建模、仿真分析
关节空间模型	标准形式，便于控制设计	需要精确辨识参数	力矩控制、前馈控制

最后说一句：动力学这东西，光看书是学不会的。你得亲手推一遍，哪怕是一个二连杆的模型。推完之后，再去看那些复杂的控制算法，你会发现——原来如此。

---

可可精品资料库