第3章 机器人动力学基础
动力学，说白了就是研究机器人为什么会动、动起来需要多大的力。你想想看，运动学只告诉你关节角度和末端位置的关系，但真要让它跑起来、抓东西、抵抗重力，就得靠动力学。我个人习惯把动力学比作机器人的“体能训练”——没有它，再好的运动学算法也只是纸上谈兵。
3.1 牛顿-欧拉法：力与运动的“硬核算”
这个方法特别直观——就是对着每个连杆写牛顿方程和欧拉方程。我记得刚入行时，带我的老工程师说：“别怕，就是 F=ma 和 τ=Iα 的升级版。” 确实，牛顿-欧拉法从基座开始往外递推速度、加速度，再从末端往基座递推力和力矩。
每个连杆 i 都要算：
ᵢωᵢ = ᵢRᵢ₋₁ · ᵢ₋₁ωᵢ₋₁ + θ̇ᵢ · ᵢzᵢ （角速度）ᵢαᵢ = ᵢRᵢ₋₁ · ᵢ₋₁αᵢ₋₁ + θ̈ᵢ · ᵢzᵢ + ᵢωᵢ₋₁ × θ̇ᵢ · ᵢzᵢ然后用力/力矩平衡方程求出关节驱动力矩。
我在项目里调试六轴机械臂时，曾经因为忽略科里奥利力项，导致高速运动时力矩估算偏差了 30%。嗯，这里要注意：牛顿-欧拉法虽然计算效率高，但推导时容易漏项，尤其旋转关节的耦合项。
3.2 拉格朗日法：从能量角度看问题
拉格朗日法不直接跟力较劲，而是盯着系统的动能和势能。你想想看，只要写出拉格朗日函数 L = T - V，然后套公式：
τᵢ = d/dt (∂L/∂q̇ᵢ) - ∂L/∂qᵢ就能得到动力学方程。我个人觉得拉格朗日法更适合做理论分析，尤其是要推导闭式动力学模型的时候。但说实话，对于自由度多的机器人，手动推导拉格朗日方程会让人崩溃——我当年手推过一个 7 自由度臂，整整花了两天，还查出一处符号错误。
M(q)q̈ + C(q,q̇)q̇ + G(q) = τ这个形式对控制设计非常友好。我在仿真中经常用这个结构做前馈补偿。
3.3 动力学参数辨识：让模型贴近真实
理论模型再漂亮，参数不准也是白搭。连杆质量、质心位置、惯性张量——这些值从 CAD 模型里导出来往往有误差。我曾经遇到过一台机器人，仿真里跑得稳稳的，一上实机就抖，最后发现是转动惯量差了 20%。
参数辨识说白了就是“用实验数据反推参数”。常用方法：
- 激励轨迹设计： 让机器人跑充分激励的轨迹（比如傅里叶级数轨迹），采集关节位置、速度、力矩。
- 最小二乘估计： 把动力学方程写成线性形式
Y(q,q̇,q̈) · θ = τ，然后用θ = (YᵀY)⁻¹Yᵀτ求解。 - 物理一致性约束： 保证辨识出的惯性矩阵正定、质心在合理范围内。
3.4 动力学仿真：从模型到“数字孪生”
有了动力学模型和参数，就可以在仿真环境里跑起来了。我个人习惯把动力学仿真分成三个层次：
| 层次 | 工具/方法 | 典型用途 |
|---|---|---|
| 1. 数值仿真 | MATLAB/Simulink, Python (numpy/scipy) | 算法验证、控制器调参 |
| 2. 物理引擎仿真 | Gazebo, MuJoCo, PyBullet | 传感器仿真、软硬件联调 |
| 3. 实时仿真 | ROS2 + 实时内核 + 硬件在环 | 控制器原型、HIL测试 |
在 Gazebo 里做动力学仿真时，我通常会先检查 URDF 中的惯性参数是否合理。你想想看，如果质心位置写错了，仿真出来的重力补偿力矩就是错的，机械臂会直接“塌”下去。
• 仿真步长建议 1ms 以下，显式积分器（如 RK4）要留意数值稳定性。
• 关节摩擦、电机饱和这些非线性因素一定要加进去，否则仿真太“理想”，上实机就露馅。
• 我习惯在仿真中注入白噪声力矩，模拟真实驱动器的脉动，提前暴露控制器的鲁棒性问题。
嗯，动力学这部分内容确实硬核，但它是机器人控制、仿真、辨识的基石。我个人觉得，花时间把牛顿-欧拉法和拉格朗日法搞透，再亲手做一次参数辨识实验，比看十遍理论都有用。