4. 动力学基础：牛顿-欧拉法、拉格朗日法、惯性参数辨识

动力学，说白了就是研究「力与运动的关系」。

运动学只告诉你关节怎么动，动力学才告诉你需要多大的力才能让它这么动。我刚开始做机器人控制时，总觉得动力学是理论家的事，直到有一次给一个六轴臂做高速搬运——不加动力学补偿，末端抖得像筛子。嗯，从那以后我再也不敢跳过动力学了。

4.1 为什么需要动力学模型？

你想想看，运动学只告诉你关节角度和末端位姿的关系。但实际电机要克服的，除了惯性力，还有科里奥利力、离心力、重力、摩擦力。这些力如果不补偿，轨迹跟踪误差会随着速度增加而急剧放大。

我个人习惯把动力学模型的作用归纳为三点：

• 前馈补偿：提前计算出需要的力矩，叠加到反馈控制上，让响应更快
• 仿真验证：在实物调试前，先用模型跑一遍，避免撞机
• 负载辨识：通过动力学模型反推末端负载的重量和质心位置

4.2 牛顿-欧拉法：递归的力与力矩传递

牛顿-欧拉法，说白了就是「从基座到末端，再从末端回到基座」的两趟计算。一趟算速度加速度，一趟算力与力矩。

它的思路很直观：每个连杆都满足牛顿方程和欧拉方程。

• 牛顿方程：\( F = m \cdot a \) —— 质心的平动
• 欧拉方程：\( \tau = I \cdot \alpha + \omega \times (I \cdot \omega) \) —— 绕质心的转动

具体分两步走：

1. 正向递推（基座→末端）：计算每个连杆的角速度、角加速度、线加速度
2. 反向递推（末端→基座）：根据末端负载力/力矩，反向计算每个关节的驱动力矩

我在项目中遇到过一个问题：反向递推时，如果末端负载很大，力矩会逐级放大，数值容易溢出。后来我改用双精度浮点，才稳住。

4.3 拉格朗日法：从能量角度看动力学

拉格朗日法不直接分析力，而是从能量入手。它的核心公式就一个：

L = T - V

其中：
L —— 拉格朗日量
T —— 系统总动能
V —— 系统总势能

然后代入拉格朗日方程：
d/dt(∂L/∂q̇) - ∂L/∂q = τ

说白了，你只要写出每个连杆的动能和势能，剩下的就是求偏导。机械推导，不容易出错。

但代价是什么？

• 对于3轴以上的机器人，符号推导的表达式会爆炸式增长
• 一个六轴臂的拉格朗日方程展开后，可能有几百项
• 不适合实时计算，更适合离线分析和教学

4.4 两种方法的对比

对比维度	牛顿-欧拉法	拉格朗日法
计算复杂度	O(n)，适合实时控制	O(n⁴)，适合离线分析
推导难度	需要处理约束力，容易出错	从能量出发，推导更系统
物理意义	直接得到关节力矩	得到的是广义力
工程应用	工业机器人控制的主流	多用于学术研究和仿真
处理闭链机构	需要额外处理约束方程	自然支持约束

我个人习惯：工程用牛顿-欧拉，用拉格朗日。两者不冲突，理解一个就能理解另一个。

4.5 惯性参数辨识：让模型贴近现实

动力学模型写得再漂亮，参数不准也是白搭。每个连杆的质量、质心位置、惯性张量——这些参数从CAD模型里拿到的，和实际装配出来的，往往有偏差。

我曾经遇到过一台机器人，CAD里算的惯量比实际大了30%。结果前馈力矩给太大，电机反而过冲。后来老老实实做了参数辨识，才把问题解决。

惯性参数辨识的流程一般是：

1. 设计激励轨迹：让机器人跑一组充分激发的轨迹，覆盖所有运动状态
2. 采集数据：记录关节位置、速度、加速度、电流/力矩
3. 数据预处理：滤波、去噪、剔除异常值
4. 参数估计：用最小二乘法或递推最小二乘法求解
5. 验证：用另一组轨迹验证辨识结果的预测精度

4.6 动力学知识体系总览

下面这张图，是我自己整理动力学知识时画的框架。你可以把它当作学习路线图：

4.7 工程实践中的注意事项

最后，分享几个我在实际项目中踩过的坑：

• 摩擦力不可忽略：很多动力学模型只考虑惯性项，但实际机器人的摩擦力（尤其是静摩擦+库仑摩擦）占比很大。我建议至少加上一个简单的摩擦模型。
• 减速器惯量要折算：电机端的惯量经过减速器后，反映到关节端要乘以减速比的平方。这个很多人会忘。
• 参数辨识不是一次性的：随着机械磨损、润滑状态变化，参数会漂移。我习惯每半年重新标定一次。
• 不要追求完美模型：模型越复杂，参数越多，辨识越困难。抓住主要项（惯量、重力、摩擦力），忽略次要项（柔性、间隙），工程上更实用。