3、动力学模型入门：牛顿-欧拉法与拉格朗日法、刚体动力学方程、惯性参数

好，咱们进入动力学模型这个硬核话题。说实话，很多做轨迹规划的朋友，一开始都觉得动力学是搞控制的人的事。但我在项目里吃过亏——纯运动学规划的轨迹，一到高速就抖得不行，电机还过载。后来才明白，动力学模型才是提升轨迹精度的真正底牌。

这一节，我带你从两个最经典的建模方法入手：牛顿-欧拉法和拉格朗日法。然后聊聊刚体动力学方程长什么样，最后把惯性参数（质量、质心、惯量张量）彻底讲透。

建模方法说白了就两派。一派是“受力分析派”，另一派是“能量派”。

这个方法最直观。你想想看，每个连杆受到哪些力？重力、关节驱动力、相邻连杆的约束力。然后对每个连杆列牛顿方程和欧拉方程：

牛顿方程：F = m * a_c
欧拉方程：τ = I * α + ω × (I * ω)

我个人习惯用牛顿-欧拉法做实时控制。为什么？因为它可以递推计算，从基座往末端推速度加速度，再从末端往基座推力与力矩。计算效率高，适合嵌入式实现。

我的经验： 在六轴机器人上做力矩前馈控制时，牛顿-欧拉递推算法（RNEA）是我最常用的。一次正向递推+一次反向递推，复杂度只有O(n)，n是关节数。比拉格朗日法快一个数量级。

拉格朗日法走的是另一条路。它不关心内部约束力，只关心系统的动能和势能：

L = T - V
τ = d/dt(∂L/∂q̇) - ∂L/∂q

这里L是拉格朗日量，T是总动能，V是总势能。你只需要写出每个连杆的动能和势能，然后对广义坐标求偏导，就能得到动力学方程。

这个方法的好处是——你不需要处理约束力。对于自由度少的系统（比如二连杆、倒立摆），手算很方便。但自由度一多，符号推导就爆炸了。

  关键区别：
  牛顿-欧拉法：力/力矩平衡，递推计算，适合实时控制
拉格朗日法：能量守恒，闭式方程，适合分析与仿真

不管用哪种方法，最终得到的动力学方程都可以写成统一形式：

M(q) * q̈ + C(q, q̇) * q̇ + G(q) = τ

我来拆解一下：

嗯，这里要注意：M(q)一定是正定的，这是物理约束。如果辨识出来的M(q)不正定，那你的模型肯定有问题。

我曾经踩过的坑： 有一次做参数辨识，数据采集时激励轨迹没设计好，导致M(q)矩阵条件数极大，辨识出来的惯性参数完全不可信。后来我改用傅里叶级数轨迹做激励，才把条件数降下来。所以，激励轨迹的设计和参数辨识同等重要。

动力学方程里的M(q)、C(q, q̇)、G(q)都依赖于一组基础参数——惯性参数。每个连杆有10个惯性参数：

惯量张量是一个3×3对称矩阵：

I = [ Ixx  Ixy  Ixz ]
    [ Ixy  Iyy  Iyz ]
    [ Ixz  Iyz  Izz ]

为什么需要这10个参数？因为刚体动力学方程是这些参数的线性函数。也就是说，你可以把方程写成：

τ = Y(q, q̇, q̈) * θ

其中Y是回归矩阵（只与运动状态有关），θ是惯性参数向量。这个线性形式是参数辨识的基础——用最小二乘法就能把θ辨识出来。

  核心要点： 惯性参数是动力学模型的“灵魂”。模型辨识的本质，就是通过实验数据反推这10个参数。参数准了，模型就准了；模型准了，轨迹精度才能上去。

下面这张图，我把本章的核心逻辑画出来了。你一看就明白：

从这张图你可以看到，不管用牛顿-欧拉还是拉格朗日，最终都归结到标准动力学方程。而方程里的系数，又由惯性参数决定。所以，参数辨识就是打通“模型→精度”的关键一步。

一个小建议： 刚开始学动力学时，别急着上复杂机器人。拿一个单摆或二连杆练手，手算拉格朗日方程，再用牛顿-欧拉验证结果。两种方法算出来应该完全一致。我当年就是这么入门的。

好了，动力学模型的基础框架就讲到这里。下一节我们会深入参数辨识的具体方法——怎么设计激励轨迹、怎么处理数据、怎么用最小二乘法把参数算出来。到时候我会拿出一个真实项目的案例，带你一步步走通整个流程。