3. 动力学基础：牛顿-欧拉方程、拉格朗日方程、动力学参数辨识

各位同学，欢迎来到动力学这一章。

说实话，很多做运动控制的工程师，一听到「动力学」三个字就头大。我当年也一样。总觉得搞个PID就能跑，干嘛要学这些复杂的方程？直到有一次，我调试一台六轴机器人，末端负载一变化，整个系统就开始抖。那时候我才意识到——没有动力学模型，你就是在盲调。

这一章，咱们把动力学掰开揉碎了讲。核心就三块：牛顿-欧拉方程、拉格朗日方程、还有参数辨识。说白了，前两个是理论工具，第三个是工程落地的手段。

3.1 牛顿-欧拉方程：从力到运动的直接映射

牛顿-欧拉方程，我个人习惯叫它「N-E法」。它的思路很直接：对每个连杆，分别写出牛顿方程和欧拉方程。

牛顿方程管平动：

F = m * a_c

欧拉方程管转动：

τ = I * α + ω × (I * ω)

这里有个坑，我当年踩过。欧拉方程里的惯性张量 I，是相对于质心的。如果你用相对于关节轴的惯性矩，算出来全是错的。嗯，这一点千万注意。

N-E法的计算流程，一般是两步走：

1. 正向递推：从基座到末端，计算每个连杆的速度、加速度
2. 反向递推：从末端到基座，计算每个关节的力/力矩

你想想看，这其实就是一个「先算运动，再算力」的过程。我在做重载机器人项目时，就靠这个流程排查过一个关节过载的问题——反向递推时发现某个连杆的力矩异常大，最后查出来是减速器间隙导致的冲击。

3.2 拉格朗日方程：从能量角度看问题

拉格朗日方程，说白了就是「能量守恒的升级版」。它不直接分析力，而是分析系统的动能和势能。

公式长这样：

τ = d/dt (∂L/∂q̇) - ∂L/∂q

其中 L = T - V，T是动能，V是势能。

我个人觉得，拉格朗日法比N-E法更「优雅」。为什么？因为它不需要考虑约束力。你只要写出系统的总能量，然后求导就行了。

举个例子，一个二连杆机械臂：

• 先写出两个连杆的动能 T1、T2
• 再写出势能 V1、V2
• 代入拉格朗日方程，直接得到关节力矩

我在做协作机器人动力学建模时，就用的拉格朗日法。因为协作机器人关节多，约束复杂，用N-E法推导容易漏项。拉格朗日法虽然计算量大一点，但不容易出错。

3.3 动力学参数辨识：让模型落地

理论模型再漂亮，参数不对也是白搭。你想想看，每个连杆的质量、质心位置、惯性张量，这些值你从CAD里导出来，跟实际装配好的机器人能一样吗？

我遇到过最夸张的一次，CAD模型里连杆质量是12kg，实际称重是13.6kg。差了13%！用那个模型做前馈补偿，结果越补越差。

所以，参数辨识是必须的。常用的方法有：

1. 最小二乘法：采集关节力矩和运动数据，用线性回归拟合参数
2. 傅里叶级数激励轨迹：设计特定的运动轨迹，充分激励所有动力学参数
3. 递推最小二乘：在线实时更新参数，适应磨损和温度变化

这里我分享一个实战经验。做参数辨识时，激励轨迹的设计非常关键。如果你只做正弦摆动，只能辨识出惯量和阻尼，摩擦力参数根本激不出来。我一般用「多频叠加」的轨迹，频率覆盖0.5Hz到5Hz，幅值从小到大变化。

3.4 三种方法的对比与选择

咱们做个表格，一目了然：

方法	优点	缺点	适用场景
牛顿-欧拉法	计算快，适合实时控制	推导繁琐，容易出错	嵌入式控制、高频伺服
拉格朗日法	推导简洁，物理意义清晰	计算量大，不适合实时	离线仿真、理论分析
参数辨识	模型准确，适应实际系统	需要实验数据，设计复杂	工程落地、前馈补偿

我个人习惯是：先用拉格朗日法推导模型结构，再用参数辨识获取实际数值，最后用N-E法做实时控制。三招齐下，基本不会出大问题。

3.5 知识体系总览

下面这张图，是我自己总结的动力学知识框架。你可以把它当成一张地图，随时回来对照：

这张图把三者的关系讲得很清楚。拉格朗日法负责「搭框架」，参数辨识负责「填数据」，牛顿-欧拉法负责「跑实时」。三者缺一不可。

好了，动力学基础就讲到这里。记住一句话：没有动力学模型的控制，就像蒙着眼睛走路。你也许能走几步，但永远走不远。

---

公众号:蓝海资料掘金营，微信deep3321