3、仿真环境搭建与校准：如何搭建一个高保真仿真环境？
说实话，很多做机器人控制的朋友，都栽在「仿真跑得飞起，实车一塌糊涂」这个坑里。我当年刚入行时也吃过这个亏——仿真里调好的轨迹，放到真机上直接抖成筛子。后来才明白，问题不在算法，在仿真环境本身不够「真」。
这一章，我们就聊聊怎么搭建一个高保真的仿真环境。重点讲三个物理参数的校准：摩擦系数、质量、惯量。这三个参数要是没调准，你的仿真就是「动画片」，不是「预演」。我个人习惯，把这套流程叫做「物理参数标定三部曲」。
3.1 高保真仿真环境的三个层次
搭建仿真环境，不是把模型丢进 Gazebo 或 MuJoCo 就完事了。我把它分成三个层次：
- 几何层：模型长什么样，碰撞体积对不对。这层相对简单，用 CAD 模型直接导入就行。
- 运动学层：关节自由度、连杆长度、传动比。这层决定了机器人的运动范围。
- 动力学层：质量、惯量、摩擦、阻尼、弹性形变。这层才是高保真的核心。
说白了，前两层决定了机器人「能不能动」，第三层决定了它「动起来像不像真的」。我们重点讲第三层。
3.2 摩擦系数的校准：最容易被忽略的「隐形杀手」
摩擦这东西，在仿真里经常被简化成一个常数。但实际中，摩擦是非线性的，而且随温度、磨损、润滑状态变化。我在项目中遇到过一台六轴机械臂，仿真里摩擦力矩设成 0.5 N·m，结果实机上测出来是 1.8 N·m——差了将近 4 倍。轨迹能调好才怪。
3.2.1 摩擦模型的选型
常用的摩擦模型有几种：
| 模型 | 表达式 | 适用场景 |
|---|---|---|
| 库仑+粘滞 | τ = τ_c * sign(ω) + b * ω | 大多数工业机器人，简单够用 |
| Stribeck 模型 | τ = τ_c + (τ_s - τ_c) * exp(-(ω/ω_s)^2) + b*ω | 低速爬行明显的场景，比如精密定位 |
| LuGre 模型 | 微分方程形式，考虑鬃毛效应 | 高频抖动、微米级精度要求 |
我个人建议，先从库仑+粘滞模型开始。为什么？参数少，好标定。如果这个模型已经能让仿真和实机的误差在 10% 以内，就别折腾更复杂的模型。你想想看，模型越复杂，标定工作量越大，而且容易过拟合。
3.2.2 摩擦参数的实测方法
这里分享一个我常用的方法，叫「恒速力矩法」：
- 让机器人每个关节单独以恒定速度运动（比如 0.1 rad/s、0.5 rad/s、1.0 rad/s...）
- 记录每个速度下的关节力矩指令值
- 画出「速度-力矩」曲线
- 拟合出库仑摩擦系数 τ_c 和粘滞系数 b
代码实现很简单，以 Python 为例：
import numpy as np
from scipy.optimize import curve_fit
# 实测数据：速度 (rad/s) 和 对应力矩 (N·m)
velocities = np.array([0.1, 0.3, 0.5, 0.8, 1.0, 1.5])
torques = np.array([1.2, 1.4, 1.6, 1.9, 2.1, 2.6])
# 库仑+粘滞模型
def friction_model(omega, tau_c, b):
return tau_c * np.sign(omega) + b * omega
# 拟合
params, _ = curve_fit(friction_model, velocities, torques)
tau_c, b = params
print(f"库仑摩擦系数: {tau_c:.3f} N·m")
print(f"粘滞摩擦系数: {b:.3f} N·m·s/rad")3.3 质量与惯量的校准：别信 CAD 数据
很多工程师直接从 SolidWorks 或 Inventor 里导出质量和惯量参数，然后直接丢进仿真。嗯，这里要注意——CAD 数据只能作为初始值，不能作为最终值。
为什么？因为实际加工有公差，装配有间隙，线缆、气管、螺丝这些「附加物」在 CAD 里往往没算进去。我见过一个协作机器人，CAD 算出来的末端质量是 1.2 kg，实际称重是 1.45 kg——差了 20%。
3.3.1 质量标定：最简单的称重法
这个没什么技术含量，但最可靠：
- 把机器人拆成单个连杆，用电子秤称重
- 注意：要包含所有螺丝、线缆、接头
- 每个连杆称 3 次取平均
如果拆不了（比如已经组装好了），可以用「力矩辨识法」：让机器人做几个特定姿态，记录关节力矩，然后反算质量。这个方法需要一点线性代数，但精度也不错。
3.3.2 惯量标定：摆锤法 vs 激励轨迹法
惯量标定比质量麻烦一些。我常用的有两种方法：
方法一：摆锤法（适合单个连杆）
把连杆悬挂起来，让它做小角度摆动，测周期 T，然后算转动惯量：
I = m * g * d * (T / (2π))^2其中 m 是质量，d 是悬挂点到质心的距离，g 是重力加速度。
方法二：激励轨迹法（适合整机标定）
设计一条充分激励的轨迹（包含加速、减速、匀速、换向），记录力矩和运动数据，然后用最小二乘法辨识惯量矩阵。这个方法精度高，但需要写点代码。
3.4 校准流程：从粗调到精调
我个人习惯把校准分成三步：
- 粗调：用 CAD 数据作为初始值，跑一遍仿真，对比实机数据。如果误差在 30% 以内，说明方向对了。
- 细调：用实测的摩擦、质量、惯量数据替换 CAD 值。这一步能把误差降到 10% 以内。
- 精调：设计一个「验证轨迹」，比如正弦波或梯形波，对比仿真和实机的力矩曲线。如果还有偏差，微调阻尼系数和弹性系数。
下面这张图展示了整个校准流程的逻辑：
3.5 验证与迭代：别指望一次搞定
校准不是一锤子买卖。我通常的做法是：
- 先做一组简单的验证轨迹（比如单关节正弦运动）
- 如果力矩曲线对得上，再做复杂的多关节协同轨迹
- 如果对不上，回头检查是哪个参数出了问题
举个例子，有一次我发现仿真中某个关节的力矩在换向时出现尖峰，但实机没有。排查了半天，发现是库仑摩擦模型在零速附近不连续导致的。换成 Stribeck 模型后，问题就解决了。你看，有时候不是参数不对，是模型本身不够精细。
嗯，这一章就到这里。下一章我们聊聊轨迹规划中的速度与加速度约束——你会发现，很多仿真里跑得通的轨迹，实机上跑不了，就是因为忽略了执行器的物理极限。