3、动力学模型线性化：如何将动力学方程转化为关于惯性参数的线性回归形式，理解回归矩阵Y(q, qd, qdd)的构造

动力学参数辨识的核心思想，是将机器人动力学方程从“关于运动状态的函数”转化为“关于惯性参数的线性函数”。这一转化过程称为动力学模型线性化，其产物是回归矩阵 Y(q, qd, qdd) 与惯性参数向量 π 的乘积形式。之所以必须完成这一转化，是因为几乎所有实用的参数辨识算法——包括最小二乘法、加权最小二乘法、递推最小二乘法——都要求模型对未知参数呈线性关系。若动力学方程对参数非线性，则辨识问题将退化为非线性优化，不仅计算代价高，而且容易陷入局部极小值，难以保证收敛性与唯一性。因此，线性化是连接动力学理论与参数辨识实践的桥梁，也是整个辨识流程的第一步，其正确性直接决定后续所有辨识结果的可靠性。

3.1 线性化的数学本质与物理含义

动力学模型线性化的数学本质，是将动力学方程中所有关于惯性参数的项重新组织为“运动学函数矩阵 × 参数向量”的形式。以单连杆为例，其动力学方程为：

τ = m·l²·q̈ + m·g·l·cos(q) + F_v·q̇ + F_c·sign(q̇)

其中 m 为连杆质量，l 为质心到关节轴的距离，F_v 为黏性摩擦系数，F_c 为库仑摩擦系数。观察该方程可以发现，虽然 τ 的表达式中包含 q、q̇、q̈ 的复杂函数，但所有惯性参数（m、m·l²、F_v、F_c）都是以一次幂形式出现的。因此可以定义参数向量 π = [m·l², m·g·l, F_v, F_c]ᵀ，则方程改写为：

τ = [q̈, cos(q), q̇, sign(q̇)] · π = Y(q, q̇, q̈) · π

这里的 Y 矩阵就是回归矩阵，其每一列对应一个惯性参数，每一行对应一个关节力矩方程。对于 n 自由度机器人，Y 的维度为 n×p，其中 p 为待辨识参数总数。物理上，Y 矩阵的每一列代表了“当某个惯性参数为单位值时，该参数对关节力矩的贡献模式”。例如，Y 的第一列 [q̈] 表示惯性力矩项，第二列 [cos(q)] 表示重力矩项，第三列 [q̇] 表示黏性摩擦力矩项，第四列 [sign(q̇)] 表示库仑摩擦力矩项。

3.2 回归矩阵的构造方法与操作流程

对于多自由度机器人，回归矩阵的构造需要系统化的操作流程。以下以六自由度串联机器人为例，给出标准构造步骤：

1. 建立完整动力学方程：使用牛顿-欧拉递推法或拉格朗日法，写出包含惯性力、科氏力/离心力、重力、摩擦力在内的完整动力学方程。建议使用符号计算工具（如 MATLAB Symbolic、SymPy）辅助推导，避免手算错误。
2. 定义惯性参数向量：每个连杆 i 包含 10 个惯性参数：质量 m_i、一阶质量矩 m_i·r_ix、m_i·r_iy、m_i·r_iz、惯量张量元素 I_ixx、I_ixy、I_ixz、I_iyy、I_iyz、I_izz。加上每个关节的摩擦参数 F_vi、F_ci，六自由度机器人总参数数为 6×10 + 6×2 = 72 个。
3. 逐项提取 Y 矩阵元素：将动力学方程中每一项，按照其依赖的惯性参数进行分类。例如，关节 i 的力矩方程中，所有包含 m_1 的项合并为 Y(i,1)·m_1，所有包含 I_2xx 的项合并为 Y(i,7)·I_2xx。实际操作中，可先对每个参数求偏导：Y(i,j) = ∂τ_i/∂π_j。
4. 合并同类项与消除冗余：由于动力学方程中某些参数可能以固定组合出现（如 m_i·r_ix 与 I_iyz 可能出现在同一项中），需要检查 Y 矩阵的列是否线性相关。若存在线性相关列，则需合并参数，形成“最小惯性参数集”。
5. 验证线性化正确性：随机选取多组运动状态 (q, q̇, q̈)，分别计算原始动力学方程 τ_orig 和线性化形式 Y·π 的数值，对比两者是否一致。若存在偏差，则说明线性化过程中存在符号错误或遗漏项。

3.3 最小惯性参数集与回归矩阵的秩

在实际辨识中，并非所有 72 个惯性参数都能被独立辨识。由于动力学方程的结构特性，某些参数对关节力矩的贡献完全相同，无法通过外部激励区分。这些参数需要合并为组合参数，形成最小惯性参数集。最小参数集的维度 p_min 通常远小于原始参数维度，对于六自由度机器人，p_min 一般在 30~40 之间。

判断参数是否可辨识的数学工具是回归矩阵的秩。若 Y 矩阵的某一列可以表示为其他列的线性组合，则该列对应的参数不可辨识。具体操作中，可通过以下方法确定最小参数集：

• 符号消元法：使用符号计算工具，对 Y 矩阵进行高斯消元，找出线性相关的列组合。
• 数值秩检验：随机生成大量运动状态，构造堆叠的 Y 矩阵，计算其数值秩。若秩小于列数，则存在冗余参数。
• 物理直觉判断：对于某些关节，若其运动范围受限或与其他关节存在耦合，部分参数可能无法激励。例如，关节 2 和关节 3 平行时，某些惯量参数可能合并。

3.4 案例拆解：二连杆平面机器人的线性化全流程

为完整展示线性化过程，以二连杆平面机器人（仅考虑平面运动）为例进行逐步推导。该机器人有两个旋转关节，连杆 1 和连杆 2 的质量分别为 m₁、m₂，质心位置分别为 (r₁, 0) 和 (r₂, 0)（假设质心在连杆中心线上），惯量张量简化为 I₁、I₂（绕关节轴的转动惯量）。

步骤 1：写出动力学方程（使用拉格朗日法）：

τ₁ = (m₁·r₁² + m₂·l₁² + m₂·r₂² + 2·m₂·l₁·r₂·cos(q₂) + I₁ + I₂)·q̈₁
     + (m₂·r₂² + m₂·l₁·r₂·cos(q₂) + I₂)·q̈₂
     - 2·m₂·l₁·r₂·sin(q₂)·q̇₁·q̇₂
     - m₂·l₁·r₂·sin(q₂)·q̇₂²
     + (m₁·g·r₁ + m₂·g·l₁)·cos(q₁) + m₂·g·r₂·cos(q₁+q₂)
     + F_v1·q̇₁ + F_c1·sign(q̇₁)

τ₂ = (m₂·r₂² + m₂·l₁·r₂·cos(q₂) + I₂)·q̈₁ + (m₂·r₂² + I₂)·q̈₂
     + m₂·l₁·r₂·sin(q₂)·q̇₁²
     + m₂·g·r₂·cos(q₁+q₂)
     + F_v2·q̇₂ + F_c2·sign(q̇₂)

步骤 2：定义参数向量。观察方程，可定义以下组合参数：

π₁ = m₁·r₁² + m₂·l₁² + I₁
π₂ = m₂·r₂² + I₂
π₃ = m₂·l₁·r₂
π₄ = m₁·g·r₁ + m₂·g·l₁
π₅ = m₂·g·r₂
π₆ = F_v1
π₇ = F_c1
π₈ = F_v2
π₉ = F_c2

步骤 3：构造回归矩阵。将上述参数代入动力学方程，整理为 τ = Y·π 形式：

Y(1,:) = [q̈₁, q̈₁+q̈₂, 2·cos(q₂)·q̈₁ + cos(q₂)·q̈₂ - 2·sin(q₂)·q̇₁·q̇₂ - sin(q₂)·q̇₂²,
          cos(q₁), cos(q₁+q₂), q̇₁, sign(q̇₁), 0, 0]

Y(2,:) = [0, q̈₁+q̈₂, cos(q₂)·q̈₁ + sin(q₂)·q̇₁²,
          0, cos(q₁+q₂), 0, 0, q̇₂, sign(q̇₂)]

步骤 4：验证与讨论。该例中原始参数为 10 个（m₁, r₁, I₁, m₂, r₂, I₂, F_v1, F_c1, F_v2, F_c2），但通过组合合并为 9 个最小参数。m₁ 和 r₁ 无法独立辨识，只能辨识其组合 m₁·r₁² 和 m₁·g·r₁。这说明线性化过程不仅改变了模型形式，还揭示了参数的可辨识性边界。

3.5 常见误区与工程实践建议

误区一：忽略摩擦模型的线性化。许多初学者在构造 Y 矩阵时只考虑惯性项和重力项，忽略摩擦项。但实际机器人中，摩擦对力矩的贡献可达 10%~20%，若不纳入辨识模型，会导致惯性参数估计偏差。摩擦模型本身是线性的（F_v·q̇ + F_c·sign(q̇)），只需在 Y 矩阵中增加对应列即可。

误区二：直接使用原始参数进行辨识。如前所述，原始参数中存在不可辨识的组合。若强行辨识所有参数，最小二乘矩阵将奇异，结果不可信。正确做法是先进行参数合并，再辨识最小参数集。

误区三：Y 矩阵的数值条件数过大。即使参数集已最小化，若激励轨迹设计不当，Y 矩阵仍可能病态。建议在辨识前计算 Y 矩阵的条件数，并通过优化激励轨迹（如傅里叶级数轨迹）来降低条件数。

总结复盘：动力学模型线性化是参数辨识的基石，其核心在于将动力学方程重组为 τ = Y·π 的线性形式。构造 Y 矩阵的关键步骤包括：建立完整动力学方程、定义参数向量、逐项提取 Y 元素、合并冗余参数、数值验证。最小惯性参数集的确定依赖于 Y 矩阵的秩分析，而 Y 矩阵的条件数则直接影响辨识精度。工程实践中，应充分利用符号计算工具，并始终以数值验证作为线性化正确性的最终判据。