4、动力学基础：牛顿-欧拉法、拉格朗日法、动力学参数辨识
聊到机械臂动力学，很多刚入行的朋友第一反应就是「公式好复杂」。说实话，我当年也有这种感觉。但做了十几年机器人，我慢慢发现——动力学其实没那么可怕，关键是你得知道它到底在解决什么问题。
简单来说，动力学就是研究「力与运动的关系」。你给电机发一个力矩指令，机械臂到底怎么动？反过来，你希望机械臂按某个轨迹运动，需要多大的力矩？这就是动力学的核心。
动力学两大核心问题：
- 正动力学：已知关节力矩 → 求解关节加速度、速度、位置
- 逆动力学：已知关节位置、速度、加速度 → 求解所需关节力矩
实际工程中，逆动力学用得更多。比如轨迹跟踪控制、力控制、阻抗控制，都离不开它。
4.1 牛顿-欧拉法：工程派的首选
我个人习惯用牛顿-欧拉法做实时控制。为什么？因为它计算效率高，而且物理意义非常直观。
核心思想其实很简单：从基座开始，向外递推每个连杆的速度和加速度（正向递推）；然后从末端执行器开始，向内递推每个关节的力和力矩（反向递推）。
我的经验：在六轴工业机器人上，牛顿-欧拉法的计算量大约是 O(n)，而拉格朗日法是 O(n⁴)。你想想看，对于实时控制来说，这个差距有多大。
正向递推（速度与加速度）
从基座（连杆0）开始，依次计算每个连杆的角速度、角加速度、线加速度。公式长这样：
// 角速度递推
ω_{i+1} = R_{i+1}^i · ω_i + θ̇_{i+1} · z_{i+1}
// 角加速度递推
α_{i+1} = R_{i+1}^i · α_i + θ̈_{i+1} · z_{i+1} + ω_{i+1} × (θ̇_{i+1} · z_{i+1})
// 线加速度递推
a_{i+1} = R_{i+1}^i · (a_i + α_i × p_i + ω_i × (ω_i × p_i))嗯，这里要注意：旋转矩阵 R 的方向别搞反了。我在项目中遇到过好几次，因为坐标系变换搞错，导致仿真结果完全不对。后来我养成了一个习惯——每次写完递推代码，先用一个简单的二连杆模型做验证。
反向递推（力与力矩）
从末端开始，向内计算每个连杆受到的力和力矩：
// 力平衡
f_i = R_{i+1}^i · f_{i+1} + m_i · a_{c_i}
// 力矩平衡
τ_i = R_{i+1}^i · τ_{i+1} + p_i × (R_{i+1}^i · f_{i+1}) + I_i · α_i + ω_i × (I_i · ω_i)
// 关节驱动力矩
τ_joint_i = τ_i · z_i避坑指南：我曾经在调试一个协作机器人时，发现末端力矩总是偏大。查了两天才发现——惯性张量 I_i 是在连杆坐标系下定义的，但我在计算时忘了做坐标系变换。记住：惯性张量一定要转换到当前计算坐标系。
4.2 拉格朗日法：理论派的利器
拉格朗日法走的是另一条路——从能量角度出发。你不需要关心内部约束力，只需要写出系统的动能和势能。
公式很简洁：
L = T - V (拉格朗日函数)
d/dt(∂L/∂q̇) - ∂L/∂q = τ (拉格朗日方程)其中 T 是系统总动能，V 是系统总势能，q 是广义坐标（关节角度）。
展开后，你会得到标准形式的动力学方程：
M(q) · q̈ + C(q, q̇) · q̇ + G(q) = τ这里：
- M(q)：惯性矩阵，与关节位置有关
- C(q, q̇)：科里奥利力和离心力矩阵
- G(q)：重力项
- τ：关节驱动力矩
两种方法的对比：
| 对比项 | 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 |
| 物理意义 | 直观，力/力矩递推 | 抽象，能量角度 |
| 约束力处理 | 需要显式计算 | 自动消除 |
| 编程实现 | 递推结构，代码量适中 | 符号推导，代码量大 |
| 适用场景 | 实时控制、仿真 | 理论分析、控制器设计 |
4.3 动力学参数辨识：从理论到真机的关键一步
说实话，理论公式再漂亮，到了真机上也得面对现实——你根本不知道真实的惯性参数是多少。
CAD 模型给的参数？误差通常在 10%~30%。因为电机转子惯量、减速器摩擦、线缆阻力，这些在 CAD 里根本算不准。怎么办？辨识。
辨识的基本思路
说白了就是：让机械臂按特定轨迹运动，采集关节力矩和运动数据，然后用最小二乘法反推参数。
标准流程：
- 激励轨迹设计：通常是傅里叶级数形式的轨迹，保证充分激励所有参数
- 数据采集：关节位置、速度、加速度、力矩
- 滤波处理：去除噪声，尤其是加速度信号需要低通滤波
- 参数估计：最小二乘法或递推最小二乘法
- 验证：用另一条轨迹验证辨识结果的准确性
我的经验：激励轨迹的设计很关键。我曾经用简单的正弦轨迹做辨识，结果摩擦参数死活辨识不准。后来换成傅里叶级数轨迹，效果立竿见影。记住：轨迹要覆盖足够宽的频率范围。
最小二乘辨识公式
将动力学方程写成线性形式：
τ = Y(q, q̇, q̈) · θ其中 Y 是回归矩阵（已知），θ 是待辨识的参数向量（未知）。
采集 N 组数据后：
θ = (Y^T · Y)^{-1} · Y^T · τ嗯，这里有个坑——Y^T·Y 可能奇异。因为有些参数是线性相关的，无法独立辨识。解决办法是：先做参数重组，合并那些不可辨识的参数组合。
避坑指南：我曾经在辨识一个七轴协作机器人时，发现辨识结果在低速段误差很大。后来发现是摩擦力模型没选对。简单的库仑+粘滞摩擦模型不够，需要加上 Stribeck 效应。记住：摩擦模型的选择直接影响辨识精度。
常用辨识方法对比
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 批量最小二乘 | 简单、稳定 | 需要存储全部数据 | 离线辨识 |
| 递推最小二乘 | 在线、内存小 | 对初值敏感 | 在线自适应 |
| 扩展卡尔曼滤波 | 可处理噪声 | 调参复杂 | 高精度辨识 |
| 神经网络 | 无需模型 | 泛化性差 | 研究阶段 |
4.4 工程实践中的几个关键点
最后，分享几个我在项目中积累的经验：
- 先仿真再真机：在仿真环境里把动力学模型调通了，再上真机。我见过太多人直接上真机，结果把机器人搞出奇异位形。
- 摩擦模型别忽视：很多动力学控制效果不好，不是因为惯性参数不准，而是摩擦模型太粗糙。
- 验证要交叉：用一条轨迹做辨识，用另一条完全不同的轨迹做验证。如果验证误差大，说明辨识有问题。
- 注意数值稳定性：尤其是加速度信号，微分放大噪声很严重。我习惯用中心差分+低通滤波的组合。
一句话总结：牛顿-欧拉法适合实时干活，拉格朗日法适合写做分析，参数辨识是连接理论与真机的桥梁。三者缺一不可。