第二章：动力学模型入门
各位同学，欢迎来到动力学模型的世界。
说实话，我刚入行那会儿，觉得动力学就是一堆吓人的公式。什么牛顿、拉格朗日，看着就头大。但后来我发现，搞懂这些，是做好力矩控制的基础。你想想看，连机器人本身的物理特性都不了解，怎么去控制它？
2.1 牛顿-欧拉方程：最直观的动力学
牛顿-欧拉方程，说白了就是「力等于质量乘以加速度」的升级版。它把机器人拆成一个个连杆，分别计算每个连杆受到的力和力矩。
我个人习惯用牛顿-欧拉法做实时控制。为什么？因为它计算快，适合嵌入式跑。公式长这样：
// 牛顿方程：力 = 质量 × 加速度
F = m * a
// 欧拉方程：力矩 = 转动惯量 × 角加速度 + 角速度 × 转动惯量 × 角速度
τ = I * α + ω × (I * ω)嗯，这里要注意，欧拉方程里的那个叉乘项，就是科里奥利力和离心力的来源。我在项目中遇到过，如果忽略这一项，高速运动时力矩会算错，机器人直接抖成筛子。
核心要点：牛顿-欧拉法是递推算法，从基座开始往外推速度、加速度，再从末端往回推力、力矩。适合实时控制，计算量 O(n)。
2.2 拉格朗日方程：从能量角度看问题
拉格朗日方程是另一种思路。它不直接算力，而是算系统的动能和势能。公式是：
L = T - V
τ = d/dt (∂L/∂q̇) - ∂L/∂q其中 L 是拉格朗日量，T 是动能，V 是势能，q 是关节角度。
说实话，拉格朗日法写起来更简洁，尤其适合推导整个系统的动力学方程。但计算量比牛顿-欧拉大，我一般用它做离线仿真和参数辨识。
我的经验：如果你刚开始学，建议先用拉格朗日法推导一遍二连杆的动力学方程。手算一遍，比看十遍书都管用。我曾经花了一个周末手推二连杆，之后再看六轴机器人，思路一下就通了。
2.3 惯性矩阵：机器人的「质量」
惯性矩阵 M(q)，说白了就是机器人的「等效质量」。但它不是常数，而是随关节角度变化的。
为什么？因为机器人动起来时，各个连杆的相对位置在变，等效到每个关节上的转动惯量也在变。你想想看，手臂伸直和弯曲时，同样的力矩产生的加速度能一样吗？
| 状态 | 惯性矩阵特点 | 控制影响 |
|---|---|---|
| 低速 | 变化缓慢，近似常数 | PID 还能应付 |
| 中速 | 变化明显，需要补偿 | 必须用模型 |
| 高速 | 剧烈变化，耦合严重 | 必须实时计算 |
避坑指南：我曾经在调试六轴机器人时，发现某个关节在特定角度下会突然震动。查了半天，发现是惯性矩阵在该位置接近奇异，导致控制增益被放大。后来加了惯性矩阵的伪逆处理，问题才解决。
2.4 科里奥利力与离心力：速度带来的麻烦
科里奥利力和离心力，都跟速度有关。它们合在一起，写成 C(q, q̇)q̇。
科里奥利力：当一个关节运动时，会影响另一个关节的动力学。比如你挥动手臂时，手腕关节会受到一个额外的力矩。
离心力：关节转动时，连杆有「往外甩」的趋势。你想想看，拿一根绳子甩重物，手会感觉到一个向外拉的力，那就是离心力。
我个人的经验是：低速时这些力可以忽略，但一旦速度超过某个阈值（比如关节角速度 > 1 rad/s），就必须补偿。否则力矩控制会变得很不稳定。
// 科里奥利力矩阵的计算（简化版）
for i = 1 to n:
for j = 1 to n:
for k = 1 to n:
C[i][j] += (∂M[i][j]/∂q[k] + ∂M[i][k]/∂q[j] - ∂M[k][j]/∂q[i]) * q̇[k]这段代码看着复杂，但说白了就是惯性矩阵对关节角度的偏导。实际工程中，我们一般用数值方法或者符号推导来算。
2.5 重力项：永远存在的对手
重力项 G(q)，是机器人动力学里最「老实」的一项。它只跟关节角度有关，跟速度、加速度无关。
但别小看它。重力补偿做不好，机器人要么往下掉，要么往上顶。我记得第一次做力矩控制时，忘了加重力补偿，结果机器人一上电就「啪」地砸下来了。还好速度慢，没出事故。
重力补偿公式：
G(q) = ∂V(q) / ∂q
其中 V(q) 是系统的重力势能。实际工程中，重力项可以离线算好，存成查找表。也可以实时计算，但要注意计算效率。我一般用符号推导工具（比如 SymPy）先导出解析式，再转成 C 代码。
2.6 知识体系总览
下面这张图，是我自己总结的动力学模型知识结构。你可以把它当成一张地图，随时回来看看。
这张图把动力学模型分成了两大流派：牛顿-欧拉法和拉格朗日法。它们最终都归结到同一个动力学方程：M(q)q̈ + C(q,q̇)q̇ + G(q) = τ。其中 M、C、G 就是我们刚讲的那三个核心项。
我的建议：初学者不用急着把所有公式都背下来。先理解每个项的物理意义，知道它什么时候重要、什么时候可以忽略。等你真正做项目时，再回来查公式也不迟。
好了，这一章的内容就到这里。记住，动力学模型不是用来考试的，是用来解决实际问题的。下次你调试机器人时，试着想想：现在是 M 的问题，还是 C 的问题，还是 G 的问题？想清楚了，调参就有方向了。