4、动力学模型线性化：回归矩阵与最小惯性参数集（Base Parameters）的推导方法
工业机器人动力学模型是进行前馈控制、力矩规划、碰撞检测与仿真分析的基础。然而，完整的动力学模型包含大量惯性参数（质量、质心位置、惯性张量），这些参数往往难以直接测量，且并非所有参数都对关节力矩产生独立影响。因此，在系统辨识中，我们必须将动力学方程转化为关于惯性参数的线性回归形式，并进一步提取出能够唯一确定系统输入输出关系的最小参数集。本章将深入讲解回归矩阵的构造原理、最小惯性参数集的推导方法，以及在实际工程中的操作流程与常见陷阱。
上图展示了从完整动力学方程到最小惯性参数集的核心推导路径。下面我们将从原理、方法、案例与误区四个维度展开详细讲解。
4.1 核心原理：为什么需要线性化与最小参数集
工业机器人动力学方程通常表示为关节空间中的二阶非线性微分方程。对于n自由度的串联机器人，其动力学方程可写为：
τ = M(q)q̈ + C(q, q̇)q̇ + G(q) + τ_f(q̇)其中，τ为关节力矩向量，M(q)为惯性矩阵，C(q,q̇)为科氏力和离心力项，G(q)为重力项，τ_f为摩擦力矩。这些矩阵和向量中的元素是机器人连杆的质量m_i、质心位置r_i=(x_i,y_i,z_i)、惯性张量I_i（包含6个独立分量：Ixx, Iyy, Izz, Ixy, Ixz, Iyz）以及关节摩擦系数（库仑摩擦f_c和粘性摩擦f_v）的复杂函数。
关键洞察在于：动力学方程关于惯性参数是线性的。即无论动力学模型多么复杂，总能将方程重写为：
τ = Y(q, q̇, q̈) · θ其中，Y是一个n×m的矩阵，称为回归矩阵，其元素是关节位置、速度和加速度的已知函数；θ是一个m维列向量，包含所有待辨识的惯性参数。这种线性化形式使得我们可以利用线性最小二乘法等经典估计理论进行参数辨识。
然而，并非所有m个参数都是独立可辨识的。由于机器人结构的几何约束（如相邻连杆共享关节轴线）和动力学方程的耦合特性，某些参数对关节力矩的影响完全相同，或者某些参数的影响可以合并为组合参数。因此，实际可辨识的参数个数p远小于m。这p个参数构成的集合称为最小惯性参数集（Base Parameters），对应的回归矩阵Y_base具有满列秩，保证了参数辨识的唯一性和数值稳定性。
4.2 回归矩阵的构造方法
构造回归矩阵Y是线性化的第一步。常用的方法包括拉格朗日法和牛顿-欧拉递推法。对于教学和符号推导，拉格朗日法更直观；对于编程实现和复杂机器人，牛顿-欧拉法更高效。
4.2.1 拉格朗日法构造回归矩阵
拉格朗日法基于动能T和势能U的差构造拉格朗日函数L=T-U，然后代入拉格朗日方程。具体步骤如下：
- 建立运动学模型：使用Denavit-Hartenberg（D-H）参数或旋量理论描述各连杆坐标系之间的变换关系。
- 计算动能：每个连杆的动能包含平动动能和转动动能，表示为连杆质量、质心位置和惯性张量的函数。
- 计算势能：通常为重力势能，与连杆质量和质心高度有关。
- 代入拉格朗日方程：对L求偏导并代入方程，得到力矩表达式。
- 提取线性系数：将力矩表达式中的每一项重新组织，提取出惯性参数作为未知向量θ，剩余部分即为回归矩阵Y的对应行。
以二连杆平面机器人为例，其动力学方程可展开为：
τ1 = (m1*lc1² + m2*l1² + m2*lc2² + 2*m2*l1*lc2*cos(q2) + I1 + I2) * q̈1
+ (m2*lc2² + m2*l1*lc2*cos(q2) + I2) * q̈2
- m2*l1*lc2*sin(q2) * q̇2² - 2*m2*l1*lc2*sin(q2) * q̇1*q̇2
+ (m1*g*lc1*cos(q1) + m2*g*(l1*cos(q1) + lc2*cos(q1+q2)))观察上式，可以发现许多参数以组合形式出现，例如m1*lc1²+I1总是作为一个整体，m2*lc2²+I2也总是作为一个整体。这提示我们存在参数合并的可能性。
4.2.2 牛顿-欧拉法构造回归矩阵
牛顿-欧拉法通过向外递推（计算各连杆速度和加速度）和向内递推（计算力和力矩）得到关节力矩。在递推过程中，将惯性参数作为符号变量保留，最终得到的力矩表达式同样是参数的线性函数。该方法更适合编程实现，且计算效率高，常用于实时辨识。
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 拉格朗日法 | 物理意义清晰，便于符号推导和教学 | 计算量大，符号表达式冗长 | 低自由度机器人、理论分析 |
| 牛顿-欧拉法 | 计算效率高，易于编程，适合实时应用 | 递推过程复杂，不易直观理解 | 高自由度机器人、实时辨识 |
| 能量法 | 避免加速度测量，对噪声鲁棒 | 需要积分，对轨迹要求高 | 离线辨识、实验数据后处理 |
4.3 最小惯性参数集的推导方法
获得完整的回归矩阵Y后，下一步是消除线性相关列，提取最小参数集。工程中常用的方法有三种：符号消元法、数值QR分解法和能量法。
4.3.1 符号消元法（解析法）
该方法通过观察动力学方程中参数的组合模式，手动或利用符号计算软件（如Mathematica、SymPy）合并参数。核心规则包括：
- 同一连杆的惯性张量与质量合并：对于绕关节轴旋转的连杆，其转动惯量I_zz与质量m和质心位置的关系可以合并为I_zz + m*(x²+y²)。
- 相邻连杆的参数耦合：当两个连杆共享同一旋转轴时，它们的部分惯性参数可以合并。
- 重力项中的参数合并：重力项中m*x和m*y可以合并为静力矩参数。
以6自由度工业机器人为例，完整的惯性参数数量为每个连杆10个（质量1个、质心3个、惯性张量6个），共60个参数。经过符号消元后，典型的最小参数集数量约为36-42个，具体取决于机器人结构。
4.3.2 数值QR分解法（数值法）
这是一种系统化、可编程的方法，特别适合复杂机器人。步骤如下：
- 生成激励轨迹：设计一组充分激励的关节轨迹（如傅里叶级数轨迹），在轨迹上采样N个时间点。
- 构造数值回归矩阵：在每个采样点计算回归矩阵Y(q,q̇,q̈)，将所有采样点的Y垂直堆叠，形成一个大矩阵Y_stack（Nn × m）。
- QR分解：对Y_stack进行列主元QR分解，即Y_stack·P = Q·R，其中P为列置换矩阵。R矩阵的对角元值反映了对应列的重要性。
- 识别独立列：R矩阵中非零对角元的个数即为最小参数集的维数p。置换矩阵P的前p列对应的原始参数即为最小参数集的组合方式。
- 重构最小参数集：根据置换矩阵和R矩阵的上三角结构，可以推导出每个最小参数与原始参数的线性组合关系。
4.3.3 能量法（基于能量守恒）
能量法利用机器人系统的能量守恒关系，避免直接测量加速度。系统总能量E = T + U，其变化率等于外力功率：
∫(τ^T q̇) dt = ΔE = E(t2) - E(t1)将动能和势能表达式线性化后，可以得到关于惯性参数的能量回归方程。该方法对加速度噪声不敏感，但需要精确的关节速度测量和轨迹积分。
4.4 案例拆解：六轴工业机器人的最小参数集推导
以典型的六轴垂直多关节机器人为例（如KUKA KR系列或ABB IRB系列），我们演示完整的推导流程。
背景与目标：该机器人用于高精度装配任务，需要前馈力矩控制以提升轨迹跟踪精度。已知各连杆的CAD模型理论参数，但实际加工装配误差导致参数偏差约5%-10%。目标是通过系统辨识获得精确的最小惯性参数集。
初始参数：每个连杆包含10个惯性参数，共60个参数。关节摩擦模型采用库仑+粘性摩擦，每个关节2个摩擦参数，共12个。总参数m=72。
推导过程：
- 建立动力学模型：采用牛顿-欧拉递推算法，在MATLAB/Simulink中建立符号动力学模型。
- 构造回归矩阵：编写程序自动提取Y矩阵，维度为6×72。
- 符号消元：利用SymPy进行符号化简，发现以下合并规律：
- 连杆1和连杆2共享基座旋转轴，部分惯性参数合并为3个组合参数。
- 连杆3、4、5的腕部结构紧凑，存在多个参数线性相关。
- 重力项中，m*x和m*y合并为静力矩参数。
- 数值验证：设计傅里叶激励轨迹，频率范围0.1-2.0Hz，采样频率1kHz，轨迹时长20s。构造Y_stack（120000×72），进行QR分解。
- 结果：QR分解显示R矩阵有42个非零对角元，即最小参数集p=42。其中，连杆1-3的参数合并较多，连杆4-6相对独立。
结果对比：
| 参数类型 | 原始参数数量 | 最小参数集数量 | 减少比例 |
|---|---|---|---|
| 连杆惯性参数 | 60 | 36 | 40% |
| 关节摩擦参数 | 12 | 6 | 50% |
| 总计 | 72 | 42 | 41.7% |
辨识实验：使用最小参数集对应的回归矩阵Y_base进行加权最小二乘辨识。激励轨迹采用5阶傅里叶级数，每个关节独立设计频率和相位。采集力矩指令和编码器数据，经低通滤波后计算速度和加速度。辨识结果与CAD理论值对比，质量参数误差在3%以内，质心位置误差在5mm以内，满足前馈控制需求。
风险与代价：辨识过程中发现，关节3和关节4的耦合参数对轨迹频率敏感。低频轨迹下参数可辨识性差，高频轨迹下加速度噪声放大。最终采用多轨迹融合策略，使用3组不同频率范围的轨迹数据联合辨识，将参数估计方差降低了40%。
4.5 常见误区与总结复盘
在工程实践中，以下问题需要特别关注：
- 激励不充分：如果激励轨迹未充分激发所有模态，回归矩阵会呈现病态，导致QR分解误判参数不可辨识。解决方法是使用持续激励轨迹（PE条件），并检查信息矩阵的条件数。
- 忽略关节柔性：对于减速器柔性较大的机器人，刚性动力学模型假设不成立，需要引入关节柔性参数，这会改变最小参数集的结构。
- 摩擦模型选择不当：简单的库仑+粘性摩擦模型可能无法描述实际摩擦特性（如Stribeck效应），导致摩擦参数与惯性参数耦合，影响辨识精度。
- 符号推导错误：手动推导回归矩阵容易出错，建议使用符号计算工具进行验证，并与数值微分结果对比。
总结复盘：动力学模型线性化是系统辨识的核心步骤，其本质是将物理参数估计问题转化为线性回归问题。最小惯性参数集的推导不仅减少了待辨识参数数量，更重要的是保证了信息矩阵的满秩性，为后续的激励轨迹设计和参数估计奠定了数学基础。在实际工程中，建议采用“符号推导+数值验证”的双轨策略：先用符号方法理解参数合并的物理含义，再用数值QR分解确认参数集的维数和组合方式。最后，通过多组激励轨迹的交叉验证确保参数辨识的可靠性和泛化能力。