4、动力学模型简介：拉格朗日方程，牛顿-欧拉法，动力学参数辨识

好，咱们进入动力学部分了。说实话，很多做轨迹跟踪的工程师，一开始都只盯着运动学——毕竟位置、速度、加速度这些直观嘛。但真到了高速、高负载的场景，你会发现运动学根本不够用。为什么？因为力才是让机器人动起来的根本原因。

动力学模型，说白了就是描述「力与运动之间的关系」。你给电机发多大扭矩，关节能转多快、末端能跑多准，全看动力学模型建得怎么样。我个人习惯，做自适应控制之前，先把动力学模型吃透，否则后面调参你会调到怀疑人生。

4.1 拉格朗日方程：从能量角度看问题

拉格朗日法是我最早接触的动力学建模方法。它的核心思路很简单：用能量来描述系统。你不需要去画复杂的受力分析图，只需要算清楚系统的动能和势能。

公式长这样：

L = T - V
τ = d/dt(∂L/∂q̇) - ∂L/∂q

其中 L 是拉格朗日量，T 是总动能，V 是总势能，q 是广义坐标（比如关节角度），τ 是广义力（比如关节扭矩）。

我在项目中遇到过一件事：有个六轴机器人，用牛顿法建模，光受力分析就画了三天，还漏了一个耦合项。后来改用拉格朗日法，两天搞定，而且公式推导更规整。为什么？因为拉格朗日法自动处理了约束和耦合，你只需要关注能量。

4.2 牛顿-欧拉法：力与力矩的递推

拉格朗日法虽然优雅，但计算量偏大。如果你需要实时控制，比如 1kHz 甚至更高频率的力矩计算，拉格朗日法可能扛不住。这时候，牛顿-欧拉法就派上用场了。

牛顿-欧拉法的思路是：从基座开始，向外递推速度与加速度；再从末端向内递推力与力矩。整个过程就像流水线，每一步只依赖相邻连杆的信息。

我记得第一次在嵌入式平台上实现牛顿-欧拉法时，算了一下，一个六轴机器人的正向动力学，只需要大约 200 次乘加运算。而拉格朗日法，同样的精度，运算量可能是这个的 5 到 10 倍。

核心递推公式（外推）：

ω_{i+1} = ω_i + q̇_{i+1} · z_{i+1}
α_{i+1} = α_i + q̈_{i+1} · z_{i+1} + ω_i × (q̇_{i+1} · z_{i+1})
a_{i+1} = a_i + α_{i+1} × r_{i+1} + ω_{i+1} × (ω_{i+1} × r_{i+1})

内推（从末端向基座）：

f_i = f_{i+1} + m_i · a_{c,i}
τ_i = τ_{i+1} + r_i × f_i + I_i · α_i + ω_i × (I_i · ω_i)

4.3 动力学参数辨识：让模型更贴近现实

理论模型再漂亮，参数不准也是白搭。你想想看，每个连杆的质量、质心位置、惯性张量，这些值在 CAD 模型里都有，但实际装配后，因为线缆、螺丝、甚至油漆的厚度，都会导致偏差。

动力学参数辨识，就是通过实验数据，反推出这些参数的真实值。常用的方法有：

• 最小二乘法：最基础，但需要激励轨迹设计得好
• 递推最小二乘（RLS）：适合在线辨识，我常用在自适应控制里
• 卡尔曼滤波：处理噪声能力强，但计算量稍大

我给大家看一个简化的参数辨识流程：

1. 设计激励轨迹（比如傅里叶级数轨迹）
2. 采集关节位置、速度、力矩数据
3. 构建回归矩阵 Y(q, q̇, q̈)
4. 用最小二乘法求解：θ = (Y^T Y)^{-1} Y^T τ

这里 θ 就是待辨识的动力学参数向量。注意，不是所有参数都能独立辨识，有些参数是线性相关的，需要做参数重组。

4.4 三种方法的对比与选择

为了让你更直观地理解，我整理了一个对比表：

方法	优点	缺点	适用场景
拉格朗日方程	推导简洁，自动处理约束	计算量大，不适合实时	离线仿真、教学、低自由度
牛顿-欧拉法	计算高效，适合实时控制	推导繁琐，对参数敏感	实时控制、高自由度
参数辨识	让模型贴近实际	需要实验数据，耗时	所有需要高精度控制的场景

我个人习惯是：先用拉格朗日法做理论推导，再用牛顿-欧拉法做实时实现，最后用参数辨识把模型校准到实际系统上。这三步走下来，你的动力学模型基本就稳了。

4.5 本章知识体系

下面这张图，帮你理清本章的核心逻辑：

嗯，这张图把本章的核心逻辑串起来了。你从拉格朗日入手理解原理，再用牛顿-欧拉实现实时计算，最后通过参数辨识让模型贴合实际。这三步走完，动力学这块你就基本拿下了。

好了，动力学模型就聊到这儿。下一节我们会把这些模型用到自适应控制里，到时候你就知道，今天花时间把动力学搞明白，绝对值。

---

公众号:蓝海资料掘金营，微信deep3321