📚 课程目录第2章动力学基础回顾

2、动力学基础回顾：刚体动力学方程、牛顿-欧拉法、拉格朗日法、惯性参数（质量、质心、惯性张量）的定义与物理意义

动力学参数辨识与补偿的核心，是建立机器人关节力矩与运动状态（位置、速度、加速度）之间的精确数学关系。无论是离线辨识还是在线自适应补偿，都离不开对刚体动力学方程的深刻理解。本章作为课程的理论基石，将系统梳理刚体动力学方程的两种主流建模方法——牛顿-欧拉法与拉格朗日法，并深入剖析惯性参数（质量、质心、惯性张量）的物理意义与辨识可行性。只有透彻理解这些基础概念，才能在后续章节中正确设计激励轨迹、处理参数耦合问题以及评估辨识结果的物理一致性。

2.1 刚体动力学方程的统一形式与物理内涵

对于一台n自由度串联机器人，其刚体动力学方程可以统一写成如下形式：

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

其中，τ为关节力矩向量（n×1），q、q̇、q̈分别为关节位置、速度、加速度向量。M(q)为惯性矩阵（n×n），描述了各连杆质量分布对关节加速度的耦合效应；C(q,q̇)q̇为科氏力和离心力项，源于关节间的速度耦合；G(q)为重力项，与机器人姿态相关；τ_f(q̇)为摩擦力矩，通常包含库仑摩擦和粘滞摩擦。该方程是后续所有辨识与补偿工作的出发点。

从物理角度看，M(q)矩阵的对角元素表示各关节自身的等效惯量，非对角元素表示关节间的惯性耦合。C矩阵的每一项都与速度乘积相关，例如C_ijq̇_j表示第j个关节速度对第i个关节产生的科氏力。G(q)向量则直接与各连杆质量、质心位置以及当前位形相关。理解这些项的物理来源，有助于在辨识实验中判断哪些参数对特定运动模式敏感。

2.2 牛顿-欧拉法：递推计算与工程实现

牛顿-欧拉法基于牛顿第二定律和欧拉方程，通过连杆间的约束关系递推求解。其核心思想分为两步：向外递推（从基座到末端，计算各连杆的速度、加速度）和向内递推（从末端到基座，计算各连杆的力/力矩）。该方法计算复杂度为O(n)，非常适合实时控制与辨识数据生成。

具体递推公式如下（以旋转关节为例）：

向外递推（i = 1 → n）：
ω_{i+1} = R_i^T ω_i + q̇_{i+1} z_i
α_{i+1} = R_i^T α_i + q̈_{i+1} z_i + q̇_{i+1} (R_i^T ω_i × z_i)
a_{c,i+1} = α_{i+1} × r_{c,i+1} + ω_{i+1} × (ω_{i+1} × r_{c,i+1}) + R_i^T a_i

向内递推（i = n → 1）：
f_i = m_i a_{c,i} + F_{i+1}
n_i = I_i α_i + ω_i × (I_i ω_i) + r_{c,i} × f_i + N_{i+1}
τ_i = n_i^T z_i + τ_{f,i}

其中，R_i为旋转矩阵，ω_i、α_i为角速度与角加速度，a_i为线加速度，f_i、n_i为力与力矩，m_i、I_i、r_{c,i}分别为第i连杆的质量、惯性张量和质心位置。工程实现时，通常将上述公式写成矩阵-向量形式，便于批量计算和参数化。

工程要点：牛顿-欧拉法的递推结构天然适合生成动力学回归矩阵。在辨识中，我们并不直接使用上述非线性方程，而是将其改写为关于惯性参数的线性形式：τ = Φ(q, q̇, q̈) · θ。其中Φ为回归矩阵（n×10n），θ为最小惯性参数集（10n×1）。这一线性化是参数辨识的核心前提。

2.3 拉格朗日法：能量视角与解析表达

拉格朗日法从系统能量出发，定义拉格朗日函数L = K - P（动能减势能），然后通过欧拉-拉格朗日方程推导动力学方程：

d/dt(∂L/∂q̇) - ∂L/∂q = τ

该方法得到的方程是解析的闭式表达式，每一项都有明确的物理意义。例如，对于二连杆平面机械臂，其惯性矩阵M(q)中的元素可以显式写出：

M₁₁ = m₁r₁² + m₂(l₁² + r₂² + 2l₁r₂cos(q₂)) + I₁ + I₂
M₁₂ = M₂₁ = m₂(r₂² + l₁r₂cos(q₂)) + I₂
M₂₂ = m₂r₂² + I₂

拉格朗日法的优势在于：① 提供全局能量视角，便于分析系统稳定性；② 解析表达式有助于理解参数耦合关系；③ 适合控制器设计（如计算力矩法）。但其计算复杂度为O(n³)，实时性不如牛顿-欧拉法。

2.4 惯性参数：质量、质心与惯性张量的定义及物理意义

每个连杆的惯性特性由10个独立参数完整描述：质量m（1个）、质心位置r_c = [x_c, y_c, z_c]（3个）、惯性张量I（6个独立分量，因为其为对称矩阵）。

参数	符号	维度	物理意义	辨识难度
质量	m	标量	连杆的平动惯性，影响重力项和惯性力	较易辨识
质心位置	r_c = [x_c, y_c, z_c]	3×1向量	质量分布的中心，决定重力矩和惯性耦合	中等
惯性张量	I = [Ixx Ixy Ixz; Ixy Iyy Iyz; Ixz Iyz Izz]	3×3对称矩阵	绕质心的转动惯量分布，影响角加速度响应	较难（需充分激励）

惯性张量的对角线元素（Ixx, Iyy, Izz）称为主惯量，表示绕各坐标轴的转动惯量；非对角线元素（Ixy, Ixz, Iyz）称为惯性积，反映了质量分布相对于坐标轴的不对称性。在辨识中，惯性张量的6个分量通常与质量、质心组合成"最小惯性参数"，因为某些组合在动力学方程中不可分离。

经验提醒：对于大多数工业机器人，连杆的惯性张量中Izz（绕关节轴线的转动惯量）对动力学响应影响最大，而Ixx、Iyy的影响相对较小。在激励轨迹设计时，应优先保证关节轴方向有充分的加速度激励，以提高Izz的辨识精度。

2.5 最小惯性参数集与可辨识性分析

直接使用10n个惯性参数进行辨识往往不可行，因为某些参数在动力学方程中线性相关，无法独立辨识。通过符号化简或数值分析，可以将参数合并为最小惯性参数集，其维度为10n（对于旋转关节串联机器人）。例如，对于二连杆机械臂，10个物理参数（每杆5个）可以合并为5个最小参数：

θ₁ = m₁r₁² + I₁ + m₂l₁²
θ₂ = m₂r₂² + I₂
θ₃ = m₂l₁r₂
θ₄ = m₁r₁ + m₂l₁
θ₅ = m₂r₂

可辨识性分析通常通过计算回归矩阵Φ的条件数来完成。条件数越小，参数辨识的鲁棒性越好。工程上，一般要求条件数小于50，否则辨识结果对噪声极为敏感。

2.6 案例拆解：六轴机器人连杆2的惯性参数辨识准备

背景与目标：某六轴工业机器人（负载6kg，重复定位精度±0.02mm）在高速运动时出现轨迹跟踪误差，初步判断为动力学补偿不准确。现需对连杆2进行惯性参数辨识，为后续力矩补偿提供基础。

初始数据：连杆2的质量设计值为4.2kg，质心位置（相对关节2坐标系）为[0.08, -0.02, 0.15]m，惯性张量设计值为diag(0.12, 0.15, 0.08) kg·m²。但实际加工装配后存在偏差，需通过辨识获得真实值。

分析过程：

首先建立连杆2的牛顿-欧拉递推模型，提取其回归矩阵Φ₂(q, q̇, q̈)（3×10子矩阵）；
对Φ₂进行符号化简，发现10个物理参数中，m₂r_x与m₂r_y、I_xy等存在线性相关，合并后得到5个最小参数；
设计激励轨迹：采用有限傅里叶级数（FFS），基频0.1Hz，5次谐波，幅值根据关节限位和速度限制优化，确保回归矩阵条件数小于30；
采集关节2的力矩指令、位置、速度、加速度数据（采样率1kHz，低通滤波截止频率20Hz）；
使用加权最小二乘法（WLS）估计最小参数，再反算物理参数。

结果与复盘：辨识得到的连杆2质量为4.35kg（偏差3.6%），质心位置为[0.077, -0.018, 0.148]m，Izz为0.087 kg·m²（偏差8.75%）。补偿后，高速轨迹跟踪误差从±1.2mm降至±0.3mm。复盘发现，Izz辨识精度受限于关节2的加速度激励幅度，后续通过增大FFS幅值（在限位内）进一步降低了参数方差。

常见误区：① 直接使用设计值进行补偿，忽略加工装配误差；② 激励轨迹幅值过小，导致回归矩阵病态；③ 忽视摩擦力矩的影响，将其混入惯性参数辨识结果；④ 未对数据进行同步和滤波处理，引入时间延迟误差。正确做法是：先进行摩擦力辨识（或将其纳入联合辨识模型），再辨识惯性参数；数据采集时必须确保力矩指令、编码器位置、速度估计严格同步。

2.7 总结与工程实践要点

本章的核心结论可归纳为：

刚体动力学方程是辨识与补偿的理论基础，必须熟练掌握牛顿-欧拉法和拉格朗日法的推导与适用场景；
惯性参数（质量、质心、惯性张量）具有明确的物理意义，但直接辨识不可行，必须使用最小惯性参数集；
回归矩阵的条件数是衡量辨识激励质量的关键指标，应通过优化激励轨迹使其最小化；
实际工程中，摩擦力、柔性、温度漂移等因素会干扰辨识结果，需要设计合理的实验流程和数据处理策略。