课程导入：学习目标、课程结构、工业机器人动力学参数辨识的意义与应用场景

欢迎进入《系统辨识：工业机器人动力学惯性参数辨识》课程。在工业机器人从“示教再现”走向“智能柔顺”的进程中，动力学模型及其参数的准确性已成为决定控制性能、安全交互与能效优化的核心瓶颈。惯性参数辨识并非单纯的数学拟合，而是一项融合了机构学、控制理论、信号处理与实验设计的系统性工程。本章作为全课程的起点，将首先明确学习目标与课程结构，随后深入剖析动力学参数辨识在工业现场的真实价值，帮助您建立全局视野，为后续章节的公式推导、实验设计与算法实现奠定认知基础。

1.1 学习目标：从“会用公式”到“能建系统”

本课程的学习目标分为四个递进层次，确保学员在完成全部30章学习后，能够独立完成从理论推导到工程落地的完整闭环。

特别强调的是，本课程不满足于“能够运行一段辨识代码”。我们要求学员理解每个算法步骤背后的物理意义与数值特性。例如，当您使用加权最小二乘辨识连杆惯性参数时，必须清楚为什么需要设计傅里叶级数激励轨迹——因为只有持续激励（PE条件）才能保证回归矩阵列满秩，从而获得唯一且数值稳定的参数解。这种“知其然更知其所以然”的深度，是区分优秀工程师与普通操作者的关键。

1.2 课程结构：四阶段递进式学习路径

本课程共30章，按照“理论奠基—方法精讲—实验实战—应用拓展”四个阶段组织。每个阶段之间既有逻辑递进关系，又保持相对独立，方便不同基础的学员按需学习。

第一阶段（第2-5章）：刚体动力学与参数化建模。 这一阶段从最基本的牛顿-欧拉递推公式出发，推导六自由度串联机器人的动力学方程。重点讲解惯性参数的10个标准分量（质量、质心三坐标、惯性张量六分量）如何组合成最小惯性参数集。我们引入“线性化动力学”的核心思想——将动力学方程改写为 τ = Y(q, q̇, q̈) · π 的形式，其中 Y 为回归矩阵，π 为待辨识的惯性参数向量。这一形式是后续所有辨识算法的数学基础。

第二阶段（第6-12章）：辨识算法与激励轨迹设计。 这是课程的技术核心。我们系统讲解：(1) 最小二乘类方法（批量最小二乘、递推最小二乘、加权最小二乘）；(2) 正则化技术（岭回归、Lasso）解决病态问题；(3) 激励轨迹的傅里叶级数设计方法，包括如何选择频率基、幅值与相位，使得回归矩阵条件数最小；(4) 参数可观测性分析与冗余参数合并。这一阶段配有大量Matlab代码示例，学员可以直接运行并观察不同参数设置对辨识结果的影响。

第三阶段（第13-22章）：实验平台与工程实施。 从仿真走向真实机器人。内容包括：关节力矩传感器标定、位置/速度信号滤波（零相位滤波、卡尔曼滤波）、摩擦模型辨识（库仑+粘滞+Stribeck效应）、电机电流-力矩转换系数标定、实验数据同步采集等。我们以六轴工业机器人为例，详细展示完整的辨识流程——从设计激励轨迹、运行机器人、采集数据、离线处理到参数验证。这一阶段强调“动手做”，每个章节都配有实验指导书和原始数据文件。

第四阶段（第23-30章）：应用与前沿。 将辨识结果落地到实际工程系统。包括：基于动力学模型的前馈控制（计算力矩控制）、基于动量观测器的碰撞检测算法、末端负载惯性参数在线辨识、双机器人协同搬运的动力学耦合分析、以及数字孪生系统中的动力学参数标定。这一阶段还涉及一些前沿话题，如基于深度学习的残差动力学建模、参数时变系统的在线辨识等。

1.3 工业机器人动力学参数辨识的意义

为什么要花费如此大的精力去辨识惯性参数？直接使用CAD模型的理论值不行吗？这是每个初学者都会提出的问题。答案在于：理论值与实际值之间存在显著偏差，而这些偏差会直接劣化控制性能。

以一台典型的六轴工业机器人为例，其连杆的CAD理论质量与实测质量可能相差5%-15%，原因包括：铸造公差、表面涂层厚度、内部线缆与气管的附加质量、末端执行器（焊枪、夹爪）的更换等。更关键的是，关节减速器（RV减速器或谐波减速器）的转动惯量折算到电机侧后，其数值往往比连杆本身的惯量大一个数量级，而减速器的实际惯量参数在出厂资料中往往不够精确。这些误差累积起来，会导致动力学模型预测力矩与实际所需力矩之间存在显著残差。

从控制工程的角度看，惯性参数不准确带来的直接后果包括：

• 前馈控制精度下降： 计算力矩控制（CTC）依赖精确的动力学模型进行前馈补偿。参数误差会导致跟踪误差增大，尤其在高速、高加速度运动场景下，轮廓误差可能增大2-3倍。
• 碰撞检测灵敏度降低： 基于动量观测器的碰撞检测算法，其阈值设定依赖于模型预测力矩与实际力矩的残差。参数不准时，残差基线增大，导致碰撞检测阈值被迫调高，从而降低对轻微碰撞的感知能力，威胁人机协作安全。
• 负载能力评估失真： 机器人厂商给出的额定负载能力是在特定动力学参数下标定的。如果实际安装的末端工具与标定工况差异较大，可能导致电机过载或减速器寿命缩短。
• 能耗优化无从下手： 精确的动力学模型是轨迹规划与能耗优化的基础。没有准确的参数，任何理论上的最优轨迹都难以落地。

1.4 典型应用场景深度拆解

为了更具体地说明辨识参数的价值，我们来看一个真实的工程案例——某汽车零部件生产线上的六轴机器人高速搬运任务。

背景与约束： 该机器人负责将约15kg的铝合金壳体从冲压机搬运至CNC加工中心，节拍要求为每件8秒（含夹爪开合时间）。原系统采用传统PID控制，在高速运动段（末端速度约3m/s）出现明显轨迹滞后，导致壳体放置位置偏差超过±1.5mm，超出CNC夹具允许的±0.8mm公差。产线工程师尝试增大PID增益，但引发了机械振动和异响，无法继续提升。

初始现象与诊断： 我们采集了机器人六个关节的电机电流和编码器位置数据。在高速段，关节2和关节3的力矩指令与实际反馈电流换算力矩之间存在周期性偏差，偏差幅值约为额定力矩的12%。进一步分析发现，该偏差与关节角加速度强相关，且方向与加速度方向相反——这是典型的惯性力矩补偿不足特征。初步判断：控制器中使用的连杆质量/惯量参数与机器人实际负载（含新更换的夹爪）不匹配。

关键输入数据： 机器人型号为某品牌50kg级六轴机，控制器支持力矩前馈接口。原动力学参数为出厂默认值，未针对新夹爪（质量2.3kg，质心偏移约80mm）进行更新。我们使用激光跟踪仪测量了机器人基座与末端执行器的实际位姿，结合关节编码器数据，重建了运动学参数。

分析判断过程： 首先，我们利用第6章将介绍的傅里叶级数激励轨迹，让机器人执行5组不同频率组合的关节运动，同步采集各关节力矩指令与编码器位置/速度。然后，通过带通滤波去除高频噪声和低频重力项干扰，构建回归矩阵 Y。采用加权最小二乘（权重与各关节力矩量级成反比）求解，得到更新后的惯性参数集。结果显示：连杆2的等效质量比出厂值大8.7%，连杆3的质心位置沿轴向偏移了12mm，关节2减速器折算惯量比理论值大15.3%。

实际操作步骤： (1) 在机器人控制器中开放力矩前馈通道；(2) 将辨识得到的参数写入控制器参数表；(3) 保留原有PID反馈增益不变，仅增加前馈力矩项；(4) 重新运行搬运程序，逐步提高速度至目标节拍。

结果对比： 参数更新后，高速段的轨迹跟踪误差从±1.5mm降至±0.3mm，满足公差要求。关节2和关节3的力矩残差从12%降至2%以内。机器人运行平稳，无异响。更重要的是，由于前馈补偿了大部分惯性力矩，反馈控制所需增益可以适当降低，系统鲁棒性反而增强。

风险与代价： 整个辨识过程耗时约4小时（含实验设计、数据采集与处理）。需要机器人停机，但利用生产间隙完成。辨识过程中需要编写脚本控制机器人运动，存在一定安全风险，需设置软限位和急停开关。此外，辨识结果仅对当前负载配置有效，若更换夹爪或工件，需要重新辨识。

复盘经验： 这个案例充分说明，惯性参数辨识不是“锦上添花”的学术研究，而是解决实际产线瓶颈的关键手段。通过一次辨识，不仅解决了精度问题，还缩短了节拍时间（从9.5秒降至8秒），提升了产能。后续我们还将辨识参数用于碰撞检测阈值设定，使机器人能够检测到大于30N的碰撞力，为人机协作提供了安全保障。

1.5 常见误区与学习建议

在多年教学与工程实践中，我们发现学员在学习动力学参数辨识时经常陷入以下误区，在此提前指出，帮助大家少走弯路。

学习建议： 本课程强调“数学推导+仿真验证+实机操作”三位一体。建议学员在学习第6-12章算法时，务必在Matlab中自行实现代码，不要直接运行现成工具箱。只有亲手写出回归矩阵、亲手实现最小二乘求解，才能真正理解数值稳定性、条件数、正则化这些概念的实际意义。同时，鼓励学员利用实验室的机器人平台（即使只有两三个关节的简易平台）进行实机辨识，体验从数据采集到参数验证的完整流程。