企业官网建设流程全解析

每次遇到动力学章节，我都想吐槽两句：前面几页讲正运动学，画个坐标架、套个余弦定理，末端位置就出来了，觉得还挺简单。然后翻到动力学，一脸 M(q)q̈ + C(q,q̇)q̇ + G(q) = τ 拍在脸上，满纸的下标和偏导数，像在看天书。2R 机械臂已经是平面两连杆里最简单的一种了，这几页到底在干什么？为什么从关节空间到笛卡尔空间这么简单的一件事，非要扯出一大堆惯性矩阵、科氏力、重力项？

这篇内容就是把我自己啃动力学时踩过的坑、核对过的公式、后来做仿真和实验时攒下来的理解，重新梳理一遍。它不是什么新东西，就是 2R 机械臂从运动学走向动力学的那几步推导，适合正在学机器人学、准备做机械臂控制仿真、或者毕设里要用到动力学模型的人。如果你能跟着把公式手推一遍，后半辈子看任何机械臂论文里的动力学方程都会顺眼很多。

1. 先搞清楚两个空间，再看动力学才有根

1.1 关节空间：所有“变量”真正住的地方

机械臂的“关节空间”这个概念，本质上就是在说：这玩意儿到底有几个自由度，每个自由度转了多少度。

2R 机械臂有俩旋转关节，所以关节空间就是由 (q1, q2) 两个角度张成的二维空间。你只要告诉控制器“关节 1 转到 30 度，关节 2 转到 45 度”，机械臂的形态就完全确定了。这里不需要关心末端在哪儿，也不关心臂长多少，只管两个电机的转角。

为什么说“变量真正住在这里”？因为在真实控制里，伺服驱动器只知道关节角度、关节角速度、关节角加速度。你给电机发的指令是电流环的力矩，反馈回来的是编码器的角度。也就是说，控制闭环里的每一个信号，本质都是关节空间的信号。笛卡尔空间的位置信息，最终也要先反解成关节角，再发给电机去执行。

我第一次做仿真的时候犯过一个典型错误：直接在笛卡尔空间画了个目标点，然后告诉机械臂“你末端给我走过去”。结果根本没有这么玩的。你得先把目标点逆解成 (q1, q2)，再考虑怎么让关节转过去。这就是关节空间作为底层空间的含义。

1.2 笛卡尔空间：用户视角下的末端位置

笛卡尔空间，就是平常说的 xyz 世界坐标系。对于 2R 机械臂，它描述的是末端执行器（第二根杆的末端，一般叫 TCP，Tool Center Point）在平面上的位置 (x, y)，以及末端姿态。

关节空间到笛卡尔空间的映射，就是正运动学：给你 (q1, q2)，算出 (x, y)。反过来，笛卡尔空间到关节空间的映射，就是逆运动学：给你 (x, y)，反解 (q1, q2)。

看起来这俩空间就是“正反算”的关系，对吧？但真正的难点在于，用户天然习惯在笛卡尔空间里规划轨迹——“我要末端走一条直线”，这种需求太自然了。可是要让直线轨迹能被执行，每一步都得先反解成关节角序列，再让关节一路追过去。这个过程中间，就牵扯到一个核心问题：

笛卡尔空间里看起来均匀的一条直线，在关节空间里对应的角速度/角加速度完全不是均匀的，甚至可能非常剧烈。末端直线运动，意味着两个关节要协同变速。这就是为什么我们需要研究速度层面的映射——不只是位置的映射，而是位置的导数怎么映射，这就是下一节要讲的雅可比矩阵。

1.3 空间映射的三层递进

我之前像背课文一样把这三层关系串过很多遍，后来发现记这三句话就够了：

• 位置层面：q → x，正运动学，用几何法解决
• 速度层面：q̇ → ẋ，雅可比矩阵，用求导解决
• 力/动力学层面：τ → q̈（以及 q̇、q、末端力的关系），动力学方程，用拉格朗日或牛顿-欧拉法解决

前两层解决的是“末端怎么动”的问题，第三层解决的是“要让它这么动，关节得使多大劲”的问题。一个机械臂如果你只让它慢慢动，那前三层都无所谓，反正重力顶着、慢慢挪就到位置了。但一旦要求它快速运动、带负载、或者精确跟踪轨迹，动力学模型就从“选学内容”变成了“必学内容”。

而且动力学还有一个容易被忽略的作用：它告诉你，关节之间不是独立的。你动关节 1，会产生一个力矩作用到关节 2 上；关节 2 加速也会反作用到关节 1。这就是科氏力和离心力的物理来源。不搞懂这个，联合仿真里机械臂稍微跑快点就发散，你还不知道哪里错了。

2. 位置怎么映射：2R 正运动学拆解

2.1 2R 结构参数与坐标系建立

2R 机械臂的模型到底长什么样，每个人画的图可能略有不同，我这里给一个最常用的几何建模，方便后面统一口径：

• 杆 1 长度 L1，质量 m1，质心在杆 1 中点
• 杆 2 长度 L2，质量 m2，质心在杆 2 中点
• 关节点：O 点是基座，A 点是关节 1，B 点是关节 2，末端点是 P
• q1 是杆 1 与 x 轴正方向的夹角，q2 是杆 2 相对杆 1 延长线的夹角（也就是相对角）

这个 q2 的定义方式有讲究，因为后面算雅可比和动力学公式时，正负号完全取决于 q2 是相对角还是绝对角，建议从一开始就统一用一个约定，别在两种约定之间反复横跳，我试过，真的会错乱。

有了这个结构定义之后，位置就不难推了。x 方向就是第一根杆的投影加上第二根杆在自己角度下的投影，y 方向同理。

2.2 末端位置的推导

正运动学公式：

[ x = L_1 \cos q_1 + L_2 \cos(q_1 + q_2) ]

[ y = L_1 \sin q_1 + L_2 \sin(q_1 + q_2) ]

这个公式看起来平平无奇，但在做动力学之前，值得把它的结构再看一眼：末端位置是三角函数嵌套的，也就是说，对 q1、q2 求导的时候，会出现非常多的项，并且到处都带着 sin(q1+q2)、cos(q1+q2) 这种复合角。这就是为什么后面雅可比矩阵和动力学方程的符号会像滚雪球一样膨胀。

如果你用几何法而不是 DH 参数法建的模型，那么这一步就是纯粹的正余弦展开，很好理解。如果是用 DH 参数做的，那也只是一堆旋转矩阵乘出来的结果，最后化简得到的还是上面这个式子。

2.3 一个小例子：算一算就知道空间差在哪

举个例子，假设 L1 = 0.5m，L2 = 0.5m，目标点位在 (0.6, 0.6)。显然，如果直接用笛卡尔坐标，我们只知道末端位置，但机械臂两个关节各是多少度，并不直观。逆解一下：

[ r = \sqrt{x^2+y^2} \approx 0.8485 ]

[ \cos q_2 = \frac{r^2 - L_1^2 - L_2^2}{2L_1L_2} = \frac{0.72 - 0.25 - 0.25}{0.5} = 0.44 ]

于是 q2 ≈ ±63.9°，再代进去求 q1，会得到两个解。这就是“笛卡尔空间一个点，关节空间两个构型”的物理含义。做轨迹规划的时候，你不仅要选路径点，还得选“关节构型分支”，不然机械臂会走一个你完全没预料到的姿态。

位置层面的映射，到这里就结束了。它回答的是：“我该转动多少，末端才能到那儿”。但紧接着的问题是：如果末端要以某个速度沿着某条路径运动，关节得转多快？

3. 速度怎么映射：雅可比矩阵

3.1 为什么在关节空间想事更方便

在开始推导雅可比之前，我想先回答一个问题：为什么我们要老在关节空间里折腾，而不是直接在笛卡尔空间里把机械臂当成一个点质量来建模？

因为末端不是单独存在的，它被连杆约束着。你没法在笛卡尔空间里给末端随便施加一个力，机械臂就会乖乖地朝那个方向加速。你实际能控制的只有关节力矩 τ1 和 τ2。终端执行器那个点，在物理上只是杆件结构的一部分，没有独立的执行器。这就导致：所有笛卡尔空间的需求，最终都要变成关节空间的力矩/速度指令。

雅可比矩阵就是这两个空间速度之间的“汇率换算表”。

3.2 雅可比从哪来：对关节变量求偏导

把正运动学公式对时间求导：

[ \dot{x} = -L_1 \sin q_1 \dot{q}_1 - L_2 \sin(q_1+q_2)(\dot{q}_1+\dot{q}_2) ]

[ \dot{y} = L_1 \cos q_1 \dot{q}_1 + L_2 \cos(q_1+q_2)(\dot{q}_1+\dot{q}_2) ]

写成矩阵形式：

[ \begin{bmatrix} \dot{x} \ \dot{y} \end{bmatrix}

\begin{bmatrix} -L_1 \sin q_1 - L_2 \sin(q_1+q_2) & -L_2 \sin(q_1+q_2) \ L_1 \cos q_1 + L_2 \cos(q_1+q_2) & L_2 \cos(q_1+q_2) \end{bmatrix} \begin{bmatrix} \dot{q}_1 \ \dot{q}_2 \end{bmatrix} ]

这个 2×2 的矩阵就是雅可比矩阵 J。每一列对应一个关节的微小转动对末端位置造成的影响。

雅可比矩阵特别值得仔细看，因为它的每一项都是位置的偏导数。也就是说，雅可比矩阵本身是随关节角度变化的。机械臂在某个位形下，速度映射的比例完全不一样。比如当两个手臂完全伸直时，关节 2 转动对末端点 x 方向的影响，和两个手臂折叠时的影响，差出好几倍。

3.3 奇异位形的直觉理解

说到雅可比，就不可能绕开奇异位形。

当 q2 = 0（两个杆完全展开成一条直线）或者 q2 = π（两个杆完全折叠重合）时，雅可比矩阵的秩会降为 1。这意味着，末端在某些方向上是无法获得速度的。直观理解就是：伸直了胳膊，你只能沿着胳膊长度方向推拉，没法横向猛地发力。任何想沿着奇异性方向运动的轨迹，都会让关节速度趋向无穷大。

我当时做轨迹规划，随便在笛卡尔空间画直线穿过奇异点附近，一仿真就发现关节速度飙到天上，然后被驱动器的速度限制截断，末端轨迹变形。后来才知道，要在轨迹规划阶段就检测奇异，躲开这些位置。

速度层面讲完了。但是，光知道关节该转多快还不够，控制器真正发出的指令是力矩。而力矩和运动之间的关系，就是动力学方程的地盘。

4. 力怎么映射：2R 机械臂动力学方程

4.1 拉格朗日法的思路

高频考点来了。2R 机械臂动力学推导最常见的方法是拉格朗日法，它在思想上极其简单：

先算系统的总动能 K 和总势能 V，然后构造拉格朗日量 L = K - V，再代入第二类拉格朗日方程：

[ \frac{d}{dt} \frac{\partial L}{\partial \dot{q}_i} - \frac{\partial L}{\partial q_i} = \tau_i ]

这个方程的物理含义是：系统沿着真实轨迹演化时，动能和势能之间的变化与外力做的功必须匹配。你不需要像牛顿法那样把每个连杆之间的内力全拆开，只需要站在全局能量的角度算。

但这句话说起来容易，做起来全是偏导数和链式法则。我第一次推的时候，光算动能项就反复对了好几遍，因为杆 2 的速度是“牵连运动 + 相对运动”，既包含关节 1 的转动带来的速度，也包含关节 2 的转动带来的速度，展开的时候特别容易漏项。

4.2 2R 动力学方程长什么样

完整推导过程如果全写出来会很长，而且很容易让读者以为自己在看教材。我直接给出使用了点质量或集中质量后的常见结果，方便对照你的教材和代码。

令总动能 K = K1 + K2，其中：

[ K_1 = \frac12 m_1 v_{c1}^2 + \frac12 I_1 \dot{q}_1^2 ]

[ K_2 = \frac12 m_2 v_{c2}^2 + \frac12 I_2 (\dot{q}_1+\dot{q}_2)^2 ]

注意，v_{c1} 是杆 1 质心速度，v_{c2} 是杆 2 质心速度。严格推导时，v_{c2} 需要对 q1、q2 都求偏导，这会让你得到特别多带 cos(q2) 的交叉项。

最终整理成标准形式之后就是：

[ M(q)\ddot{q} + C(q,\dot{q})\dot{q} + G(q) = \tau ]

其中各项的具体表达形式根据“把质心放在哪、转动惯量是否集中”会有差异。我用点质量模型（m1、m2 集中在各自杆件末端）来写一个最常见的简化结果，方便大家和教材对照：

[ M_{11} = m_1 l_1^2 + m_2(l_1^2 + l_2^2 + 2l_1 l_2 \cos q_2) + I_1 + I_2 ]

[ M_{12} = M_{21} = m_2(l_2^2 + l_1 l_2 \cos q_2) + I_2 ]

[ M_{22} = m_2 l_2^2 + I_2 ]

这里的 I1、I2 是杆件绕自身质心的转动惯量。如果你做仿真，直接把转动惯量设成 0，那就是一个纯点质量模型，公式会简单很多，但也会丢掉一部分动力学特性。

科氏项和离心项合在一起写的话：

[ C(q,\dot{q})\dot{q}

\begin{bmatrix} -m_2 l_1 l_2 \sin q_2 (2\dot{q}_1 \dot{q}_2 + \dot{q}_2^2) \ m_2 l_1 l_2 \sin q_2 \dot{q}_1^2 \end{bmatrix} ]

第一行含 2q̇1q̇2 的是科氏力矩，含 q̇2² 的是离心力矩，第二行只有 q̇1²，也是离心力矩。这俩在实际控制中非常容易混淆，我的经验是：记公式的时候，把“哪一项导致哪一项产生”想清楚——科氏力必须有两个速度同时不为零才出现，离心力则只要对应关节自己在转就有。

重力项：

[ G(q) = \begin{bmatrix} (m_1 + m_2)g l_1 \cos q_1 + m_2 g l_2 \cos(q_1+q_2) \ m_2 g l_2 \cos(q_1+q_2) \end{bmatrix} ]

这个表达式看起来复杂，物理含义其实一句话就能说清楚：你想让关节保持静止不动，就得额外输出一个力矩去抵消重力。在低速运动时，重力项甚至比惯性项和科氏项加起来还大。

4.3 惯性、科氏和重力三项的物理意义

不要机械地去背 M 矩阵里的每一项，要理解每一项到底在跟谁较劲。

先说惯性矩阵 M(q)。它描述的是：当两个关节各自加速时，需要多大的力矩来推动。这里有个非常有意思的现象：M11 和 M12 都含有 cos(q2) 项。这意味着，当第二个关节的角度变化时，第一个关节的“等效惯量”也在变化。两个手臂完全伸展开时，整个机械臂对关节 1 来说就像一个长杆，等效惯量最大；两个手臂折叠起来时，质量离关节 1 更近，等效惯量更小。

这就是机器人学里常说的“变惯量”特性。普通线性系统不会遇到这个问题，但机械臂是强耦合非线性系统，惯量随位形变化是它的天生属性。

再说 C 项，包括科氏力和离心力。科氏力出现的原因是：当一个关节在转动时，另一个关节也在运动，前者的转动会使得后者的运动轨迹变成曲线，从而需要额外的力来维持这种“曲线运动”。日常生活的类比就是：你在旋转木马上从边缘往里走，会感觉到一种横向的力推你，这就是科氏力。而离心力则是当一个关节匀速转动时，另一个关节想保持静止，也会被“甩”出去的趋势。

重力项 G 最朴实：就是地球引力对每个杆件产生的力矩。机械臂在真实环境里待机悬停时，电机一直在“偷偷使劲”顶着重力，这就是重力补偿在起作用。

把这三项拆开之后，你就知道 2R 动力学这几页到底在干什么：它把一个看起来大概是“多连杆相互牵连的复杂系统”，用一组二阶非线性微分方程描述了出来。虽然符号吓人，但它每一个符号背后都是一个物理作用力的来源。

5. 动力学这几个公式到底怎么用

5.1 仿真：已知力矩，怎么得到运动

很多人学动力学，学完就完了，也不知道这堆公式能干嘛。第一件能做的事，就是做正向动力学仿真。

正向动力学解决的是“给定关节力矩，求关节加速度”的问题。把标准方程变换一下：

[ \ddot{q} = M(q)^{-1} \left[ \tau - C(q,\dot{q})\dot{q} - G(q) \right] ]

也就是说，如果我现在给两个关节施加特定的力矩 τ1 和 τ2，那么机械臂在这一瞬间的加速度是多少，完全由上面的公式决定。然后你拿这个加速度去积分，得到速度，再积分得到位置，就能在计算机里模拟出机械臂整个运动过程。

这也解释了一个问题：为什么仿真里机械臂的运动会那么“自然”？因为它遵循的物理规律和真实机械臂一致。你在仿真里看到机械臂会因为惯性冲过头、会因为有科氏力导致末端轨迹歪掉，这些现象都是动力学方程直接带给你的，不是写代码的人故意加的。

5.2 前馈控制：模型算出的力才是前馈

第二个用途，就是计算力矩控制。

如果你只用一个简单的 PID 控制器去控制机械臂，你会发现效果很差。不是因为 PID 不好，而是 PID 不知道机械臂内部复杂的非线性力学关系，只能靠误差一点点去“试错”。增益调得低，跟踪慢；增益调得高，又会振荡甚至发散。

更聪明的做法是：根据期望的关节加速度 q̈_des，提前用动力学模型算一遍，把所需的力矩算出来，然后再加上一个修正反馈。控制律长这样：

[ \tau = M(q) \left( \ddot{q}{des} + K_d(\dot{q}{des}-\dot{q}) + K_p(q_{des}-q) \right) + C(q,\dot{q})\dot{q} + G(q) ]

这个控制律看起来复杂，但思路非常简单：前馈项负责“预测需要多大劲”，反馈项负责“预测不准的地方给补上”。你会发现，使用了动力学前馈之后，同样的跟踪精度要求下，可以省下大量调 PID 增益的时间。

我之前调过一个模拟机械臂，没有前馈时，末端走个圆形轨迹，误差大得离谱；加了动力学前馈之后，同样的 PID 参数，跟踪误差直接小了一个数量级。

5.3 参数辨识：M(q) 里的数字怎么来

很多初学者拿到的 2R 机械臂动力学公式都是“字母版”的——m1、m2、l1、l2、I1、I2 都是符号。但真正拿到一台实物机械臂，这些参数不是写在铭牌上的，至少不是直接写在铭牌上的。

那怎么弄？有一个很标准的流程叫“动力学参数辨识”。做法是：让机械臂按一组设计好的激励轨迹运动，采集关节角度、速度、加速度以及电流/力矩信号，然后把动力学方程改写成关于待辨识参数的线性形式：

[ \tau = Y(q, \dot{q}, \ddot{q}) \pi ]

这里的 Y 叫回归矩阵，π 就是所有待辨识参数构成的向量。然后通过最小二乘法等一系列手段，反推出模型参数。

等这套流程跑完，你会发现动力学方程里的 M、C、G 再也不是符号了，而是带着单位的一堆具体数。有了具体数，才能做高精度的前馈控制，才能真正在实物上把控制器调得像样。

6. 实操心得与常见问题速查

6.1 手推一遍才知道的事儿

我在学 2R 机械臂动力学的时候，最大的心得就是：别直接抄公式，至少自己手推一遍。

说个真事儿。当时我按教材推导，算出来的 M 矩阵居然不对称，而且 M12 和 M21 差了一个 I2 的系数。翻来覆去对了好几遍，才发现是我在算杆 2 的动能时，把“绕关节 2 的转动”和“绕杆 2 质心的转动”重复计算了一遍。这种错误，如果你不自己一步步推，而是直接看最终公式，根本发现不了，而一旦动力学方程写错，后面前馈控制就全乱了。

另外，如果你用的是拉格朗日法，一定要特别注意“链式求导”过程中对 q̇ 和对 q 的偏导对象。一个容易被坑的点是：动能项对 q̇ 求偏导，得到的东西再对时间求导，会产生张量级别的项。你在教科书里看到的很多“神奇化简”，其实背后都是因为这里能合并同类项。

推完之后，强烈建议用符号计算工具验证一遍。我自己用的是 Python 生态里的 SymPy，把 q1、q2 设成符号变量，定义好 x、y 表达式，然后一阶导、二阶导全部交给符号引擎，自动展开动能、求偏导、整理运动方程。你会发现，手推出来的结果和符号工具算出来的结果对上了，那种踏实感是无与伦比的。

6.2 常见错误速查表

6.3 工具与验证建议

如果你不想全手写，直接上现成库，我的建议是先理解再做，别上来就调库。否则你根本不知道库里输出的是哪一项。

常用的工具链包括：

• Python + SymPy：符号推导验证，快速检查自己手推的 M、C、G 是否正确
• Python + NumPy/SciPy：正向动力学仿真，用 solve 而不是显式求逆，数值稳定性更好
• Pinocchio：专业机器人动力学库，支持 RNEA（递归牛顿-欧拉法）和 CRBA（复合刚体算法），算出来的动力学结果可直接和自写模型对比
• MATLAB / Simulink + Robotics Toolbox：适合快速原型验证，界面方便，但参数辨识功能还是得自己写

我当时验证自写动力学模型的方式很简单：固定一组 (q, q̇, q̈)，分别用拉格朗日公式手算一个 τ，再用 Pinocchio 算同一个 τ，比对误差。如果误差在 1e-8 量级，说明模型没问题，控制律也可以放心地用。

6.4 新手常见的三个困惑

“为什么教材里的 C 矩阵写法都不一样？”——这是新手最容易迷惑的地方。因为科氏项和离心项写成矩阵形式时不唯一，C(q, q̇) 可以有很多种形式，但 C(q, q̇)q̇ 这个向量是唯一的。所以关键的永远是你算出来的那个总力矩对不对，而不是纠结 C 矩阵的某个元素。

“关节角加速度 q̈ 怎么获得？”——真实系统里你往往测不到加速度，得通过差分或者状态观测器估计。而在仿真里，q̈ 一般就是你解正向动力学方程直接得到的输出。这俩是完全不同的获取路径，别搞混。

“动力学模型是不是一定要非常精确才有用？”——不是。哪怕你的模型只有七八成准，前馈也能承担大部分工作，剩下的误差由反馈修正。怕的不是模型不准，而是根本没有模型全靠反馈硬扛，那才是又累又难调。

最后再分享一个小技巧

在实际做 2R 机械臂的控制和仿真时，有一个超容易被忽略的细节：重力项到底取正号还是负号。

很多初学的人照着公式抄下来，发现机械臂在仿真里会往下坠落——这显然不对，但也不是公式错，而是坐标系方向定义和重力加速度方向没有统一。比如你把 q1 定义为和 x 轴正向的夹角，而 y 轴向下，那重力项里就不该有额外的负号抵消；但如果 y 轴向上，重力方向向下，重力势能表达式里必须带着 -mgy 这种“负号”。我吃过这个亏，整整排查了一天，最后发现就是坐标系方向定义不统一导致的符号问题。

所以，凡是涉及到动力学公式，第一件事永远是把你的坐标系定义、正方向约定白纸黑字写下来，再写推导。不然，后面所有环节都会被这个看似微小的问题反复折磨。

如果你现在正卡在 2R 动力学推导这一步，我真诚的建议是：拿一张大纸，从位置方程开始，一项一项推，不要跳步，也不要用“显然”安慰自己。推完了再用 SymPy 验证一遍，你会突然发现，之前那些符号串串里面，其实每一块都是物理。