模型辨识基础：系统辨识、角色与三大要素
各位工程师朋友，欢迎来到模型辨识的实战第一课。说实话，很多人一听到“辨识”两个字就觉得是纯数学推导，离工程很远。但在我做机器人这些年里，恰恰是辨识这个环节，决定了你的控制器到底能不能跑起来。
今天我们就来聊聊：系统辨识到底是什么？它在人形机器人里扮演什么角色？以及辨识的三大核心要素——数据、模型、准则。
什么是系统辨识？
系统辨识，说白了就是“通过实验数据给系统建模”。你不需要知道系统内部的所有物理参数，只需要给它输入信号，观察输出，然后找一个数学模型去拟合这个输入-输出关系。
举个例子。你给机器人关节一个力矩指令，它实际转了多少角度？如果你能记录下这个对应关系，就能反推出关节的惯量、阻尼、刚度。这就是辨识。
我刚开始做项目时，总觉得辨识不如直接查手册来得快。直到有一次，我按电机手册给的参数搭了控制器，结果机器人一启动就抖得像筛糠。后来实测辨识才发现，手册上的惯量值跟实际差了将近30%。嗯，从那以后我再也不敢跳过辨识了。
核心定义：系统辨识 = 实验设计 + 数据采集 + 模型结构选择 + 参数估计 + 模型验证
模型辨识在人形机器人中的角色
人形机器人跟工业机械臂最大的区别是什么？它要走路、要平衡、要跟环境交互。这些动作对模型的精度要求极高。
我把它总结为三个关键角色：
- 控制器设计的基础——没有准确的模型，你设计的MPC、LQR全是空中楼阁。模型越准，控制器越敢“用力”。
- 仿真与迁移的桥梁——你在仿真里训练的策略，能不能迁移到真机上？取决于仿真模型跟真实系统的差距。辨识就是缩小这个差距。
- 故障诊断的依据——当机器人某个关节响应异常，你可以通过辨识结果的变化，判断是磨损了还是传感器漂移了。
我记得有一次调试双足行走，仿真里走得稳稳当当，一上真机就摔。折腾了两周，最后发现是髋关节的阻尼参数在仿真里设得太理想。重新辨识后，把阻尼值调大了一倍，机器人才站稳。你想想看，一个参数就能决定成败。
辨识的三大要素：数据、模型、准则
这三个要素缺一不可。我习惯用一个三角形来理解它们的关系：
1. 数据——辨识的“原材料”
数据质量直接决定辨识结果的好坏。我见过太多人随便录一段数据就开始辨识，结果模型一塌糊涂。
好的数据需要满足几个条件：
- 充分激励——输入信号要能激发系统的所有动态模式。正弦扫频、PRBS（伪随机二进制序列）是常用选择。
- 足够长度——数据量太少，参数估计的方差会很大。一般建议至少采集系统主导时间常数的10倍以上时长。
- 信噪比高——噪声太大会淹没系统本身的响应。我习惯在采集前先做一次静态测试，看看传感器的底噪水平。
实战技巧：采集数据时，先让机器人跑一段“热身”运动，让关节温度稳定下来。温度变化会影响摩擦参数，这个坑我踩过不止一次。
2. 模型——辨识的“骨架”
模型结构的选择，决定了你要辨识什么参数。人形机器人常用的模型有两类：
| 模型类型 | 典型结构 | 适用场景 | 参数数量 |
|---|---|---|---|
| 物理模型 | 刚体动力学、柔性关节模型 | 控制器设计、仿真迁移 | 少（10~50个） |
| 黑箱模型 | ARX、状态空间、神经网络 | 故障诊断、非线性补偿 | 多（50~1000+个） |
| 灰箱模型 | 已知结构+未知参数 | 兼顾物理意义与精度 | 中等（20~100个） |
我个人更倾向于灰箱模型。为什么？因为纯物理模型太理想化，忽略了很多非线性因素；而纯黑箱模型又缺乏可解释性，出了问题很难排查。灰箱模型正好取了个折中。
举个例子，辨识一个关节的摩擦特性。纯物理模型可能只考虑库仑摩擦+粘性摩擦，但实际还有Stribeck效应、滞回等。我会在物理模型基础上，加一个简单的神经网络补偿项。这样既有物理意义，又能覆盖非线性。
3. 准则——辨识的“标尺”
准则就是“什么样的模型算好”。最常用的是预测误差准则：让模型输出跟实际输出的误差平方和最小。
但这里有个坑：准则选不好，模型会过拟合。我曾经用最小二乘法辨识一个关节模型，训练集误差小到0.1%，但换一组数据验证，误差直接飙到15%。
避坑指南：千万不要只盯着训练集误差。一定要留出一部分数据做交叉验证。我习惯按7:3的比例划分训练集和验证集，并且保证验证集覆盖了不同的运动模式。
常用的准则函数有几种：
- 最小二乘（LS）——最简单，但对噪声敏感
- 加权最小二乘（WLS）——给不同数据点不同权重，适合处理异方差噪声
- 最大似然估计（MLE）——考虑噪声的统计特性，精度更高
- 正则化准则——在误差项后面加一个参数惩罚项，防止过拟合
我个人的经验是：如果数据质量好、噪声小，最小二乘就够用。但如果传感器噪声大，或者数据里有异常值，一定要用带正则化的方法。
三者如何协同工作？
数据、模型、准则不是独立的。它们之间互相影响：
- 数据决定模型复杂度上限——数据量少，就别用太复杂的模型。否则参数估计的方差会爆炸。
- 模型结构影响数据需求——非线性模型需要更丰富的激励信号才能充分激发。
- 准则选择影响参数估计的偏向——不同的准则会得到不同的参数值，要结合物理意义判断。
我记得有一次做腿部关节的辨识，用了很复杂的神经网络模型，但数据只采集了慢速运动。结果模型在慢速段拟合得很好，一到快速行走就完全失效。后来我重新设计了激励信号，加入了快速扫频和冲击响应，才把模型调好。
核心原则：用最简单的模型，配最充分的数据，选最合适的准则。不要为了炫技而堆复杂度。
小结
系统辨识不是一门纯理论课，它是连接仿真与现实的桥梁。在人形机器人这个领域，模型精度直接决定了你能不能让它走稳、跑快、跳起来。
数据、模型、准则，这三者就像三脚架，缺一个就站不稳。后面的章节，我们会逐一深入每个要素的实战细节。今天先把框架搭好，后面才好发力。