机器人系统识别：激励、估计与验证

机器人系统识别通过指令运动和测量响应估算数学模型。对于机械臂，目标可能包括惯性组合、重力、摩擦、电机转矩常数、传动效应或柔性模式。目的不是完美复现一个日志；而是获得一个预测新运动有用行为的模型。

工作流程在回归之前就开始了。必须定义坐标、传感器意义和执行器路径，然后机器人需要能够激发感兴趣项的安全轨迹。位置、速度、加速度和转矩证据必须共享时间基准。估计必须在考虑可观测性、噪声和物理约束后进行。

本指南应与 机器人关节执行器测试指南 及 反向运动学与逆动力学指南结合使用。低训练残差并不意味着模型可识别、物理上合理或可转移。

在收集数据前先定义模型

选择模型将代表的输入、输出、状态和参考系。刚体逆动力学模型将运动和加速度映射为关节转矩，而执行器模型可能将电流映射为电机转矩，并包含传输损耗。柔性关节、电缆力和温度相关摩擦需要额外项或明确限制的工作范围。

记录单元、符号约定、齿轮比、有效载荷、工具框架、控制器模式以及驱动器中已激活的任何补偿。否则，估计参数可能会吸收隐重力、滤波或内环行为。即使两者都使用“转矩”一词，指令电流识别的模型与测量输出转矩识别的模型也不同。

并非每个物理参数都可以单独识别

机器人逆动力学通常可以写成回归函数乘以参数向量，但该回归器的列可能线性依赖于可用机制和测量值。此时只能恢复称为基准或可识别参数的组合。将每个链路质量和惯性报告为独立测量真值，会夸大数据内容。

使用秩、奇异值和参数协方差来寻找弱方向。仅用显式先验重新参数化或正则化，因为数值答案不会产生缺失信息。 CAD值可以提供先验或填充无法识别的项，而实验估计对测量动力学有实质性影响的组合。

模型术语	需要证据	常见混杂因素	有用的检定
刚体惯性	变化加速度与姿态	有效载荷或帧错误	基础参数排名
重力	姿势覆盖	关节零偏移	慢摆扫腿
粘性摩擦	两个速度方向	反电动势或滤波	速度扫频
库仑摩擦	低速反转	阻滞与滞后	方向比较
执行器增益	独立转矩参考	传输效率	负载传感器校准

设计激励以获取信息和安全

识别轨迹应当在关节位置、速度和加速度上变化足够，以区分所选项。多正弦或傅里叶级数轨迹常见，因为带宽和幅度可控。精确设计必须尊重关节、速度、加速度、电流、转矩、碰撞和工作区的限制，而不仅仅是在采样的路径点。

优化信息指标，如回归器条件指标，然后用保守极限模拟候选轨迹。从降低速度和能量开始，监控跟踪和中止条件，并保留校准误差的间隙。如果运动更激进，如果它使驱动器饱和或激发未建模的柔韧性，并不自动提供更多信息。

同步测量确定可用带宽

在可能的情况下，提供时间戳位置、电流、转矩及外部传感器的物理采样点。恒定延迟可旋转相位和偏置惯性或阻尼估计；可变延迟会扩大误差。重采样无法恢复未知采集流水线丢失的信息。测量时钟关系和日志序列间隙。

速度，尤其是编码器位置的加速度会放大量化和噪声。选择滤波和微分，同时考虑运动带宽，并考虑其延迟。在可用时比较测量速度、平滑导数和基于估计量的导数。报告滤波器截止和相位行为，以便重现识别。

将刚体转矩与执行器效应分离

测量的电机电流会经过转矩常数、传动比、效率、摩擦和控制器行为，然后才表示关节输出转矩。摩擦力可依赖于方向、速度、温度、预载和停留。单个库仑加粘度模型可能适合单一工作带，但偏向于反转或预热。

运行专门的低速和双向测试以暴露摩擦不对称性，然后确定哪些效应属于被控对象模型，哪些仍处于残余不确定性中。记录电流环饱和状态、重力补偿和前馈项。一个无意识地包含主动补偿器的参数估计，当补偿器发生变化时将失效。

数据问题	对估计的影响	检测	缓解措施
时钟偏移	假阻尼或惯性	交叉相关与时序检验	硬件时间戳
加速噪声	高转矩残余	频谱与重复运行	带宽感知导数
当前饱和度	削波执行器增益	驱动状态与指令间隙	减少激发
热摩擦漂移	运行顺序偏置	温度趋势	热身与分层
有效载荷不匹配	错误的惯性项	配置比较	记录工具与装载

当物理意义重要时，使用受限估计

当噪声主要集中在转矩中且回归器条件良好时，普通最小二乘法是一个有用的基线。加权最小二乘法可以表示通道方差，而稳健损耗则减少孤立离群值的影响。如果运动变量噪声较大，则需要考虑变量误差效应，而非假设回归器是精确的。

物理一致性约束防止了不可能的惯性组合，如负质量或无效的惯性张量。关于 完全物理一致惯性识别 的研究表明，为何合理的刚体比元素层面的界限施加更多结构。约束应与目标镜和求解器一起报告；它们无法补偿弱激发。

残余结构揭示了缺失的动力学

绘制残余转矩随时间、关节位置、速度、加速度、方向、温度和指令载荷的关系。呈白噪声特征且幅值较小的残差是积极信号，而周期性、符号依赖或姿态依赖的模式则指向齿槽转矩、摩擦、标定或运动学误差。单一均方根值隐藏了这些诊断关系。

检查交叉关节残差相关性和频谱。即使平均误差低，柔性模式仍可能产生狭窄的频率峰值。重复相同激励以估算测量变异性。如果预热后残差发生变化，应在模型中包含温度或设定热包线，而不是平均不兼容的运行。

未用于拟合的运动验证

在装配前预留轨迹、载荷或速度区间。使用已识别模型预测转矩或前向响应，无需调整该测试集的参数。与简单基线（如CAD参数或仅重力补偿）进行比较，使改进有意义的参考。

长期验证应包括预期包络内的插值和有意的边界情况。报告均值、百分位和最差残差，以及任务相关效应，如跟踪改进或模拟器预测。对同一轨迹相邻样本进行交叉验证可能产生误导，因为这些样本高度相关。

模型质量取决于预期用途

逆动力学前馈模型可能容忍会使高带宽观测者不稳定的误差。模拟器需要前向动力学、接触和执行器极限，而重力补偿器则不具备。在选择模型复杂度前，先说明下游目的、更新率和可接受的预测误差。

部署时，将模型与 关节增益调谐工作流程 和 碰撞检测指南进行比较。保持反馈稳定性和保护独立于乐观模型准确性。识别提升控制器输入；但它并不认证完整的运动系统。

可重复的软件包包含证据

归档机器人描述、有效载荷、固件、控制器增益、估计代码、校准、轨迹发生器、原始时间戳和未修改的传感器日志。将拟合参数基底和转换回任何报告的物理量。没有回归函数定义的参数表无法独立解释。

近期关于 机器人接触物理一致性识别 的研究表明，即使优化方法发生变化，测量选择和结构假设依然是核心。发布训练和验证分割、残差图、参数不确定性和已知排除指标，以便其他团队判断转移情况。

评估“机器人系统识别：激励、估计与验证”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。

成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。

上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。

• 定义坐标、执行器路径和补偿状态。
• 在经过验证的范围内设计有价值的路径。
• 同步并保存原始测量数据。
• 估计仅支持的参数组合。
• 验证未提交的动议并发布残余证据。

常见问题

一条轨迹能识别所有机器人参数吗？

通常不会。可识别性取决于机制、传感器、模型和激发。估计支持的基础-参数组合，并说明哪些术语来自先验。

CAD参数应该被舍弃吗？

不行。 CAD是一个有用的基线和先验，尤其是对于微观测项。测量识别可以细化影响操作机器人的组合。

为什么加速度过滤会改变结果？

微分会放大编码器噪声，而滤波则会增加衰减和相位延迟。这两者都会改变逆动力学回归器，从而改变拟合参数。

低装配误差能证明型号正确吗？

不。过拟合、延迟、隐性补偿和相关数据都可能导致训练残差较低。需要长期预测和残差结构。

机器人什么时候应该重新识别？

在有效载荷、变速箱、润滑、传感器、固件或控制器更换后，以及当残留趋势显示温度或磨损超出验证包膜时，应重新检查。

系统识别证据边界

系统识别在指定传感器、激励、配置和运行条件下估算模型。保持独立反馈限制，并验证对整个机器人的任何控制或安全使用。