機器人系統辨識：激勵、估計與驗證

機器人系統辨識透過指令運動和測量反應估算數學模型。對於機械臂，目標可能包括慣性組合、重力、摩擦、馬達轉矩常數、傳動效應或柔性模式。目的不是完美復現一個紀錄；而是獲得一個預測新運動有用行為的模型。

工作流程在迴歸之前就開始了。必須定義座標、感測器意義和致動器路徑，然後機器人需要能夠激發感興趣項的安全軌跡。位置、速度、加速度和轉矩證據必須共享時間基準。估計必須在考慮可觀測性、雜訊和物理約束後進行。

本指南應與 機器人關節致動器測試指南 及 反向運動學與逆動力學指南結合使用。低訓練殘差並不意味著模型可辨識、物理上合理或可轉移。

在收集資料前先定義模型

選擇模型將代表的輸入、輸出、狀態和參考系。剛體逆動力學模型將運動和加速度對映為關節轉矩，而致動器模型可能將電流對映為馬達轉矩，幷包含傳輸損耗。柔性關節、電纜力和溫度相關摩擦需要額外項或明確限制的工作範圍。

記錄單元、符號約定、齒輪比、有效負載、工具框架、控制器模式以及驅動器中已啟用的任何補償。否則，估計參數可能會吸收隱重力、濾波或內環行為。即使兩者都使用“轉矩”一詞，指令電流辨識的模型與測量輸出轉矩辨識的模型也不同。

並非每個物理參數都可以單獨辨識

機器人逆動力學通常可以寫成迴歸函式乘以參數向量，但該回歸器的列可能線性依賴於可用機制和測量值。此時只能恢復稱為基準或可辨識參數的組合。將每個鏈路質量和慣性報告為獨立測量真值，會誇大資料內容。

使用秩、奇異值和參數協方差來尋找弱方向。僅用顯式先驗重新參數化或正則化，因為數值答案不會產生缺失資訊。 CAD 值可以提供先驗或填充無法辨識的項，而實驗估計對測量動力學有實質性影響的組合。

模型術語	需要證據	常見混雜因素	有用的檢定
剛體慣性	變化加速度與姿態	有效負載或影格錯誤	基礎參數排名
重力	姿勢覆蓋	關節零偏移	慢擺掃腿
粘性摩擦	兩個速度方向	反電動勢或濾波	速度掃頻
庫侖摩擦	低速反轉	阻滯與滯後	方向比較
致動器增益	獨立轉矩參考	傳輸效率	負載感測器校正

設計激勵以獲取資訊和安全

辨識軌跡應當在關節位置、速度和加速度上變化足夠，以區分所選項。多正弦或傅立葉級數軌跡常見，因為頻寬和幅度可控。精確設計必須尊重關節、速度、加速度、電流、轉矩、碰撞和工作區的限制，而不僅僅是在取樣的路徑節點。

最佳化資訊指標，如迴歸器條件指標，然後用保守極限模擬候選軌跡。從降低速度和能量開始，監控跟蹤和中止條件，並保留校正誤差的間隙。如果運動更激進，如果它使驅動器飽和或激發未建模的柔韌性，並不自動提供更多資訊。

同步測量確定可用頻寬

在可能的情況下，提供時間戳位置、電流、轉矩及外部感測器的物理取樣點。恆定延遲可旋轉相位和偏置慣性或阻尼估計；可變延遲會擴大誤差。重取樣無法恢復未知採集流水線丟失的資訊。測量時鐘關係和紀錄序列間隙。

速度，尤其是編碼器位置的加速度會放大量化和雜訊。選擇濾波和微分，同時考慮運動頻寬，並考慮其延遲。在可用時比較測量速度、平滑導數和基於估計量的導數。報告濾波器截止和相位行為，以便重現辨識。

將剛體轉矩與致動器效應分離

測量的馬達電流會經過轉矩常數、傳動比、效率、摩擦和控制器行為，然後才表示關節輸出轉矩。摩擦力可依賴於方向、速度、溫度、預載和停留。單個庫侖加粘度模型可能適合單一工作帶，但偏向於反轉或預熱。

執行專門的低速和雙向測試以暴露摩擦不對稱性，然後確定哪些效應屬於被控物件模型，哪些仍處於殘餘不確定性中。記錄電流環飽和狀態、重力補償和前饋項。一個無意識地包含主動補償器的參數估計，當補償器發生變化時將失效。

資料問題	對估計的影響	檢測	緩解措施
時鐘偏移	假阻尼或慣性	交叉相關與時序檢驗	硬體時間戳
加速雜訊	高轉矩殘餘	頻譜與重複執行	頻寬感知導數
目前飽和度	削波致動器增益	驅動狀態與指令間隙	減少激發
熱摩擦漂移	執行順序偏置	溫度趨勢	熱身與分層
有效負載不匹配	錯誤的慣性項	設定比較	記錄工具與裝載

當物理意義重要時，使用受限估計

當雜訊主要集中在轉矩中且迴歸器條件良好時，普通最小二乘法是一個有用的基線。加權最小二乘法可以表示通道方差，而穩健損耗則減少孤立離群值的影響。如果運動變數雜訊較大，則需要考慮變數誤差效應，而非假設迴歸器是精確的。

物理一致性約束防止了不可能的慣性組合，如負質量或無效的慣性張量。關於 完全物理一致慣性辨識 的研究表明，為何合理的剛體比元素層面的界限施加更多結構。約束應與目標鏡和求解器一起報告；它們無法補償弱激發。

殘餘結構揭示了缺失的動力學

繪製殘餘轉矩隨時間、關節位置、速度、加速度、方向、溫度和指令負載的關係。呈白雜訊特徵且幅值較小的殘差是積極訊號，而週期性、符號依賴或姿態依賴的模式則指向齒槽轉矩、摩擦、校正或運動學誤差。單一均方根值隱藏了這些診斷關係。

檢查交叉關節殘差相關性和頻譜。即使平均誤差低，柔性模式仍可能產生狹窄的頻率峰值。重複相同激勵以估算測量變異性。如果預熱後殘差發生變化，應在模型中包含溫度或設定熱包線，而不是平均不相容的執行。

未用於擬合的運動驗證

在裝配前預留軌跡、負載或速度區間。使用已辨識模型預測轉矩或前向反應，無需調整該測試集的參數。與簡單基線（如 CAD 參數或僅重力補償）進行比較，使改進有意義的參考。

長期驗證應包括預期包絡內的插值和有意的邊界情況。報告均值、百分位和最差殘差，以及任務相關效應，如跟蹤改進或模擬器預測。對同一軌跡相鄰樣本進行交叉驗證可能產生誤導，因為這些樣本高度相關。

模型質量取決於預期用途

逆動力學前饋模型可能容忍會使高頻寬觀測者不穩定的誤差。模擬器需要前向動力學、接觸和致動器極限，而重力補償器則不具備。在選擇模型複雜度前，先說明下游目的、更新率和可接受的預測誤差。

部署時，將模型與 關節增益調諧工作流程 和 碰撞檢測指南進行比較。保持回饋穩定性和保護獨立於樂觀模型準確性。辨識提升控制器輸入；但它並不認證完整的運動系統。

可重複的軟體包包含證據

歸檔機器人描述、有效負載、韌體、控制器增益、估計程式碼、校正、軌跡發生器、原始時間戳和未修改的感測器紀錄。將擬合參數基底和轉換回任何報告的物理量。沒有迴歸函式定義的參數列無法獨立解釋。

近期關於 機器人接觸物理一致性辨識 的研究表明，即使最佳化方法發生變化，測量選擇和結構假設依然是核心。釋出訓練和驗證分割、殘差圖、參數不確定性和已知排除指標，以便其他團隊判斷轉移情況。

評估“機器人系統辨識：激勵、估計與驗證”時，還應儲存模型版本、機器人設定、校正檔案、測試日期和全部試驗記錄。

只有把這些持續投入與單位成功任務的價值比較，才能判斷方案是否適合擴大。

上線後仍要持續檢查分佈變化、感測器漂移、機械磨損和人工接管原因。

• 定義座標、致動器路徑和補償狀態。
• 在經過驗證的範圍內設計有價值的路徑。
• 同步並儲存原始測量資料。
• 估計僅支援的參數組合。
• 驗證未提交的動議併發布殘餘證據。

常見問題

一條軌跡能辨識所有機器人參數嗎？

通常不會。可辨識性取決於機制、感測器、模型和激發。估計支援的基礎-參數組合，並說明哪些術語來自先驗。

CAD 參數應該被捨棄嗎？

不行。 CAD 是一個有用的基線和先驗，尤其是對於微觀測項。測量辨識可以細化影響操作機器人的組合。

為什麼加速度過濾會改變結果？

微分會放大編碼器雜訊，而濾波則會增加衰減和相位延遲。這兩者都會改變逆動力學回歸器，從而改變擬合參數。

低裝配誤差能證明型號正確嗎？

不。過擬合、延遲、隱性補償和相關資料都可能導致訓練殘差較低。需要長期預測和殘差結構。

機器人什麼時候應該重新辨識？

在有效負載、變速箱、潤滑、感測器、韌體或控制器更換後，以及當殘留趨勢顯示溫度或磨損超出驗證包膜時，應重新檢查。

系統辨識證據邊界

系統辨識在指定感測器、激勵、設定和執行條件下估算模型。保持獨立回饋限制，並驗證對整個機器人的任何控制或安全使用。