第三章：动力学模型——牛顿-欧拉方程、拉格朗日方程、动力学参数辨识、动力学模型在轨迹跟踪中的作用

聊到机器人控制，很多人第一反应是“位置准不准”、“轨迹跟不跟得上”。但说实话，如果你只盯着运动学看，那只能解决“怎么动”的问题。真正让机器人“动得稳”、“抓得牢”的，是动力学。

动力学模型，说白了就是描述“力和运动之间的关系”。你给电机发多大扭矩，关节会怎么加速？末端夹爪抓东西时，惯性力会不会把工件甩飞？这些都得靠动力学来算。我个人习惯把动力学比作机器人的“体力”——运动学告诉你手能伸多远，动力学告诉你伸这个动作需要多大力。

3.1 牛顿-欧拉方程：从力到运动的“直译”

牛顿-欧拉方程，是动力学里最直观的方法。它基于牛顿第二定律和欧拉方程，把每个连杆的受力情况拆开分析。你想想看，一个机械臂有6个关节，每个关节都受到重力、惯性力、科里奥利力、摩擦力……这些力怎么叠加？牛顿-欧拉法就是逐连杆递推的。

具体做法分两步：

• 正向递推：从基座开始，计算每个连杆的速度、加速度（包括角速度和角加速度）。
• 反向递推：从末端执行器开始，反向计算每个关节需要施加的力/力矩。

我在项目中遇到过一个问题：用牛顿-欧拉法建模时，如果忽略了连杆之间的耦合项，高速运动时轨迹会明显偏离。后来我加上了科里奥利力和离心力的项，才把跟踪误差从5mm降到0.3mm以内。

τ = M(q)q̈ + C(q, q̇)q̇ + G(q) + F(q̇)

3.2 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。它不直接分析力，而是从系统的动能和势能出发。你想想看，一个机械臂在运动时，能量是怎么转化的？拉格朗日法就是通过能量守恒来推导运动方程。

公式长这样：

d/dt (∂L/∂q̇) - ∂L/∂q = τ

其中L = T - V，T是动能，V是势能。

我个人习惯在以下场景用拉格朗日法：

• 系统比较复杂，比如有柔性关节或弹性元件时
• 需要分析能量最优轨迹时
• 做动力学仿真验证时

但说实话，拉格朗日法推导起来比较繁琐，尤其是自由度多了以后。我一般先用符号计算工具（比如SymPy）自动推导，再手动检查关键项。嗯，这里要注意：符号推导出来的表达式可能非常冗长，一定要做简化，否则实时计算扛不住。

3.3 动力学参数辨识：让模型“说人话”

动力学模型建好了，但参数对不对？惯性矩、质心位置、摩擦系数……这些值你从CAD里拿到的，和实际装配出来的，往往有偏差。这就是动力学参数辨识要解决的问题。

我曾经踩过一个坑：用CAD给的惯性参数做控制，结果高速抓取时末端抖动得厉害。后来花了三天做参数辨识，才发现实际惯性矩比CAD值大了15%。

参数辨识的流程一般是：

1. 激励轨迹设计：让机器人跑一组能充分激励所有动力学参数的轨迹（比如傅里叶级数轨迹）。
2. 数据采集：记录关节位置、速度、加速度、力矩。
3. 参数估计：用最小二乘法或卡尔曼滤波，从数据中反推参数。

下面这张图展示了动力学参数辨识的核心流程：

3.4 动力学模型在轨迹跟踪中的作用

好了，模型建好了，参数也辨识了，那它到底怎么用？说白了，动力学模型在轨迹跟踪中最大的作用就是——前馈补偿。

你想想看，如果只用PID做轨迹跟踪，那控制器是“事后诸葛亮”：等误差出来了才去调整。但有了动力学模型，你可以提前算出需要多大的力矩，直接“喂”给电机。这样控制器只需要处理模型误差和扰动，负担小很多。

具体来说，动力学模型在轨迹跟踪中有三个关键作用：

最后说一句：动力学模型不是越复杂越好。我见过有人把摩擦模型搞了七八个参数，结果辨识出来一堆噪声。我的建议是：从简单模型开始，逐步增加复杂度，直到精度满足要求为止。毕竟，工程上“够用”比“完美”更重要。