4. 误差建模方法：基于MDH模型的误差模型推导
好，咱们进入正题。参数辨识这件事，说白了就是先搞清楚“误差从哪来”，再想办法把它“算出来”。而误差建模，就是给这些误差一个数学上的“身份证”。我个人习惯用MDH模型来做这件事，因为它比标准DH模型更贴近真实机器人的物理结构。
4.1 为什么标准DH模型不够用？
标准DH模型有个隐含假设：相邻关节的坐标系是严格对齐的。但实际装配时，哪有那么完美？你想想看，一个机器人关节装上去，多少会有点偏。标准DH模型处理不了相邻关节轴线平行时的微小偏差——这就是所谓的“奇异问题”。
我在项目中遇到过一台六轴机器人，用标准DH模型做标定，死活收敛不了。后来一查，是第2轴和第3轴的平行度偏差只有0.02度，但就是这0.02度，让雅可比矩阵直接“炸了”。换成MDH模型，问题迎刃而解。
核心区别：MDH模型在标准DH的4个参数（a, α, d, θ）基础上，增加了一个绕Y轴的旋转参数β。这个β专门用来处理相邻关节轴线平行时的微小偏差。
4.2 MDH模型的完整参数集
MDH模型用5个参数来描述相邻连杆的变换关系：
| 参数 | 符号 | 物理含义 | 误差来源 |
|---|---|---|---|
| 连杆长度 | a | 沿X轴方向的平移距离 | 加工误差、装配误差 |
| 连杆扭角 | α | 绕X轴旋转的角度 | 装配倾斜 |
| 关节距离 | d | 沿Z轴方向的平移距离 | 轴向间隙、热膨胀 |
| 关节转角 | θ | 绕Z轴旋转的角度 | 编码器零位偏移 |
| 附加旋转 | β | 绕Y轴旋转的角度 | 平行轴微小偏差 |
嗯，这里要注意：β参数只在相邻关节轴线接近平行时才需要引入。对于轴线明显不平行的关节对，β可以固定为0，否则参数冗余反而会坏事。
4.3 误差模型的推导过程
咱们一步步来。MDH模型的相邻连杆变换矩阵长这样：
T = Rot(z, θ) · Trans(z, d) · Trans(x, a) · Rot(x, α) · Rot(y, β)展开成4×4矩阵就是：
T =
[ cosθcosβ - sinθsinαsinβ, -sinθcosα, cosθsinβ + sinθsinαcosβ, a·cosθ ]
[ sinθcosβ + cosθsinαsinβ, cosθcosα, sinθsinβ - cosθsinαcosβ, a·sinθ ]
[ -cosαsinβ, sinα, cosαcosβ, d ]
[ 0, 0, 0, 1 ]这个矩阵里，每个参数都有误差。我们把名义参数记作 q_nom，实际参数记作 q_real = q_nom + δq。那么实际变换矩阵就是：
T_real = T(q_nom + δq)对δq做一阶泰勒展开：
T_real ≈ T_nom + (∂T/∂a)·δa + (∂T/∂α)·δα + (∂T/∂d)·δd + (∂T/∂θ)·δθ + (∂T/∂β)·δβ这就是误差模型的数学基础。说白了，末端位姿误差 = 各个参数误差的线性组合。
我的经验：实际做的时候，别傻乎乎地手算这些偏导数。用符号计算工具（比如MATLAB的Symbolic Toolbox或者Python的SymPy）自动生成雅可比矩阵，又快又不容易出错。我曾经手算过一次，结果漏了一项，排查了整整两天。
4.4 误差模型的矩阵形式
把所有关节的误差累积起来，就得到末端位姿误差与各参数误差之间的关系：
δX = J · δq其中：
δX是末端位姿误差向量（6×1），包含3个位置误差和3个姿态误差J是辨识雅可比矩阵（6×m），m是待辨识参数个数δq是参数误差向量（m×1）
对于n自由度的机器人，如果每个关节都辨识5个参数，那么m = 5n。但实际中，有些参数是不可辨识的——比如基座坐标系的位置误差，你没法把它和机器人本身的参数误差区分开。
避坑指南：我曾经犯过一个错误——把所有参数都丢进去辨识，结果雅可比矩阵的秩严重不足，辨识出来的参数值完全没物理意义。后来才意识到，需要先做可观性分析，剔除那些线性相关的参数列。
4.5 误差模型的几何意义
咱们用一张图来理解这个误差模型到底在干什么：
这张图把整个逻辑串起来了。左边是名义参数，右边是实际参数，中间差的就是我们要辨识的δq。通过正运动学传递，这些参数误差最终表现为末端的位姿误差δX。而辨识雅可比矩阵J，就是连接δq和δX的那座桥。
4.6 误差模型的线性化条件
这里有个关键点：上面的推导假设误差是小量。为什么？因为一阶泰勒展开只在δq足够小时才成立。如果误差太大，高阶项就不能忽略了。
我个人的经验是：对于工业机器人，参数误差通常在毫米/毫弧度级别，一阶近似完全够用。但如果你在做微创手术机器人或者精密装配机器人，误差可能小到微米级，这时候反而要注意数值稳定性——雅可比矩阵的条件数可能会很差。
总结一下：基于MDH的误差模型，本质上就是把复杂的几何误差问题，转化成了一个线性最小二乘问题。你只需要测出末端位姿误差δX，然后通过辨识雅可比矩阵J，反算出参数误差δq。剩下的，就是线性代数的事了。
嗯，误差模型推导到这里就差不多了。下一节我们会聊怎么构建辨识雅可比矩阵——那才是真正动手干活的部分。
可可精品资料库