2. 参数辨识问题定义：什么是动力学参数？为什么要辨识？辨识的数学本质
好，咱们正式开始聊参数辨识。说实话，很多刚入行的工程师觉得这玩意儿就是「调参数」，其实远没那么简单。我当年第一次做机器人标定时，也以为拿个最小二乘跑一跑就完事了——结果模型输出和实测数据差了十万八千里。嗯，从那以后我才真正沉下心来理解：我们到底在辨识什么？
2.1 什么是动力学参数？
先问个问题：你给机器人发一个力矩指令，它为什么会动？
答案藏在动力学方程里。以最常见的刚体动力学模型为例：
M(q) * q̈ + C(q, q̇) * q̇ + G(q) + τ_f(q̇) = τ这里面，M(q) 是惯性矩阵，C(q, q̇) 是科氏力和离心力项，G(q) 是重力项，τ_f 是摩擦力。这些矩阵和向量里，藏着大量未知系数——它们就是我们要辨识的动力学参数。
具体来说，动力学参数包括：
- 质量参数：每个连杆的质量 m_i
- 质心位置：连杆质心在关节坐标系中的坐标 (c_x, c_y, c_z)
- 惯性张量：3×3 的惯性矩阵，包含转动惯量和惯性积
- 摩擦参数：库仑摩擦系数、粘滞摩擦系数（有时还有 Stribeck 效应参数）
- 电机参数：转子惯量、减速比、力矩常数等（如果考虑电机侧）
我习惯把这些参数统称为「最小惯性参数集」。为什么叫「最小」？因为很多参数其实是线性相关的，你辨识不出来独立的数值。举个例子，一个连杆的质量和它的质心位置，在某些运动下是耦合的——你只能辨识出它们的组合，而不是各自的值。
核心要点：动力学参数不是随便选的。它们必须满足「可辨识性」条件——即能够从输入输出数据中唯一确定。
2.2 为什么要辨识？
你可能会想：「我用 CAD 模型导出的参数不就行了吗？」
嗯，理论上可以。但实际项目中，我踩过太多坑了：
- CAD 模型不准确：线缆、螺丝、传感器这些附加质量，CAD 里往往没算进去。我记得有个项目，机器人末端加了摄像头和光源，CAD 模型没更新，结果轨迹跟踪误差直接翻倍。
- 摩擦参数无法从 CAD 获得：摩擦是实验现象，跟润滑、温度、磨损都有关。你没法用理论公式算准。
- 负载变化：机器人抓取不同工件时，末端负载变了。如果不重新辨识，模型就失效了。
- 老化与磨损：用了两年的机器人，关节间隙、摩擦特性都会变。我见过一个产线，机器人用了三年后，同样的轨迹控制精度下降了 40%——就是参数漂移了。
说白了，辨识的目的就是让模型「对齐」物理现实。你想想看，如果你的控制器用的是错误的参数，那它算出来的前馈力矩就是错的——轻则轨迹不准，重则震荡甚至损坏设备。
我的经验：在工业机器人调试中，参数辨识至少能提升轨迹跟踪精度 30%~50%。如果你做的是高速高精度应用（比如激光切割、3D 打印），这一步绝对不能省。
2.3 辨识的数学本质
好，现在咱们聊点硬核的。参数辨识的数学本质是什么？
一句话：将动力学方程转化为线性回归问题。
你可能会问：「动力学方程不是非线性的吗？怎么变成线性了？」
注意，我说的是关于参数线性。虽然动力学方程关于状态（位置、速度、加速度）是非线性的，但关于参数（质量、惯量、摩擦系数）是线性的。这意味着我们可以写成：
τ = Y(q, q̇, q̈) * θ其中：
τ是关节力矩向量（已知，通过电流传感器或力矩传感器获得）Y是回归矩阵（由运动学状态计算得到）θ是待辨识的参数向量
这个形式太重要了。为什么？因为一旦写成 Yθ = τ，我们就可以用最小二乘法来求解：
θ̂ = (YᵀY)⁻¹ Yᵀ τ这就是参数辨识的数学本质——求解一个超定线性方程组。你采集 N 组数据（N 远大于参数个数），然后找到一组参数，使得模型预测的力矩与实测力矩的误差最小。
注意：这里有个大坑——回归矩阵 Y 必须满足「持续激励条件」。简单说，就是你的激励轨迹要足够丰富，能激发所有参数。如果轨迹太单调（比如只做匀速运动），Y 的某些列会线性相关，导致辨识结果不可靠。我曾经用正弦轨迹辨识摩擦参数，结果库仑摩擦和粘滞摩擦完全混在一起分不开——就是因为激励不够。
下面这张图总结了参数辨识的完整逻辑：
从这张图你可以看到，整个辨识流程其实就三步：
- 数据采集：设计激励轨迹，采集关节位置、速度、加速度和力矩
- 构建回归方程：用运动学数据计算回归矩阵 Y
- 求解参数：用最小二乘法（或其变体）得到参数估计 θ̂
但这里有个细节——加速度怎么获得？ 实际系统中，我们通常只有位置和速度测量值，加速度需要数值微分。而数值微分会放大噪声，所以数据预处理（滤波、平滑）非常关键。我习惯用零相位低通滤波，既能去噪又不引入相位延迟。
一句话总结：参数辨识的数学本质，就是把物理模型「翻译」成统计模型，然后用数据去「教」模型学会真实的参数。你采集的数据质量，直接决定了辨识结果的可靠性。
2.4 辨识的工程意义
最后聊点实际的。参数辨识到底能带来什么好处？
| 应用场景 | 辨识前 | 辨识后 |
|---|---|---|
| 轨迹跟踪精度 | ±2~5 mm | ±0.2~0.5 mm |
| 前馈力矩误差 | 20%~40% | <5% |
| 负载变化适应性 | 需重新调 PID | 自动补偿 |
| 能耗优化 | 无优化 | 降低 10%~20% |
我个人觉得，参数辨识最大的价值不在于「精确」，而在于「自适应」。你想想看，一个机器人从出厂到退役，它的物理特性一直在变——关节磨损、润滑状态变化、负载更换。如果每次变化都要工程师手动调参，那效率太低了。而参数辨识提供了一条自动化路径：让机器人自己「感知」自己的变化，然后自动更新模型。
避坑指南：我曾经在一个项目里，直接用离线辨识的参数做在线前馈控制，结果发现效果时好时坏。后来排查才发现，是温度变化导致摩擦参数漂移了。从那以后，我养成了一个习惯——定期重新辨识，或者在条件允许时做在线辨识。别指望一次辨识管一辈子。
好了，这一章的内容就到这里。参数辨识的定义、意义和数学本质，咱们已经聊透了。下一章我们会深入具体的辨识方法——从最小二乘到加权最小二乘，再到正则化方法，一步步把工具箱给你配齐。