💻 computer science

System Identification under Constraints and Disturbance: A Bayesian Estimation Approach

本文提出了一种基于贝叶斯估计的系统辨识框架，通过引入物理一致性约束、能量回归器及高效递归算法，实现了机器人状态与物理参数（含摩擦）的联合高精度估计，显著提升了模型在复杂环境下的辨识精度与运动控制性能。

原作者： Sergi Martinez, Steve Tonneau, Carlos Mastalli

发布于 2026-02-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Sergi Martinez, Steve Tonneau, Carlos Mastalli

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种让机器人“更懂自己”的新技术。简单来说，它解决了一个核心难题：如何让机器人既知道“自己在哪里”（定位），又知道“自己身体构造是什么样”（参数识别），而且还要在复杂的物理约束下（比如脚踩地面、关节有摩擦）做得非常精准。

为了让你更容易理解，我们可以把这篇论文的核心思想想象成**“一位侦探在迷雾中重建一辆赛车”**的故事。

1. 核心挑战：迷雾中的赛车

想象一下，你是一位赛车工程师（机器人），你的车（机器人）在一条充满迷雾（传感器噪声、数据缺失）的赛道上飞驰。

传统方法（老式侦探）： 以前的方法通常是“分步走”。先假设你知道车的所有零件重量和摩擦力（这是不可能的，因为零件会磨损、制造有误差），然后只算车的位置；或者先算位置，再回头猜零件重量。
- 问题： 如果位置算错了，零件重量也会猜错；如果零件重量猜错了，位置也会算偏。这就好比“鸡生蛋，蛋生鸡”的死循环，导致车在复杂路况（比如上下楼梯、多脚着地）下容易失控。
这篇论文的方法（全能侦探）： 作者提出了一种**“贝叶斯联合推理”**的方法。就像侦探不再分开调查，而是同时把“车的位置”、“零件的重量”、“地面的摩擦力”甚至“引擎的噪音”全部放在一个巨大的方程组里一起解。

2. 三大“破案”秘籍

秘籍一：逆向思维（Inverse Dynamics）—— 从结果推原因

比喻： 传统方法像“推箱子”（正向动力学），你用力推，看箱子怎么动。但这在数学上很不稳定，稍微推歪一点，箱子就飞出去了。
新方法： 作者用的是“逆向推理”。就像看到箱子停在那里，反推“刚才必须用了多大的力、什么角度”才能让它停在那。
效果： 这种方法就像给侦探上了“防抖稳定器”，即使数据有噪声，也能算出非常稳定的结果，而且收敛（破案）速度更快。

秘籍二：物理约束的“紧箍咒”（Constraints）

比喻： 机器人不是在空中乱飞的，它的脚必须踩在地上（接触约束），它的腿可能是四连杆结构（闭环约束，像自行车的链条）。
问题： 以前的算法经常“睁眼说瞎话”，比如算出脚明明悬空却产生了摩擦力，或者算出四连杆腿的关节角度对不上。
新方法： 作者给系统戴上了“紧箍咒”。在计算过程中，强制要求：
- 脚必须要么着地，要么离地，不能半吊着。
- 四连杆的几何关系必须严丝合缝。
- 摩擦力必须消耗能量，不能凭空产生能量。
效果： 这就像强迫侦探必须遵守物理定律，排除了那些“看起来像但其实是错的”可能性，让模型更真实。

秘籍三：能量“账本”（Energy-Based Observations）

比喻： 机器人没有直接测量“摩擦力”的传感器（就像你没法直接看到空气阻力）。怎么知道摩擦力多大呢？
新方法： 作者引入了“能量账本”。
- 输入： 电机用了多少电（做功）。
- 输出： 机器人动能增加了多少，势能增加了多少。
- 差额： 剩下的能量去哪了？肯定是被摩擦力“吃掉”了！
效果： 通过核对“能量账本”，即使没有直接的力传感器，也能精准地算出摩擦力的大小。这就像通过检查钱包里的钱少了多少，来推断你买了什么没记录的东西。

3. 技术亮点：如何算得这么快？

你可能会问：“把这么多变量（位置、重量、摩擦力、约束）放在一起算，电脑不会死机吗？”

比喻： 普通的算法像是在解一个巨大的、杂乱的乱麻球，越解越乱。
新方法： 作者发明了一种**“参数化的 Riccati 递归”**算法。
- 这就像把乱麻球整理成了一列整齐的火车。每一节车厢（时间步）只和前后两节车厢有关。
- 利用这种结构，电脑可以像“流水线”一样，从后往前快速推导，计算速度是线性的（时间越长，计算量只是线性增加，而不是爆炸式增加）。这让机器人能在几毫秒内完成复杂的计算，甚至可以直接用在实时的控制芯片上。

4. 实际效果：从模拟到现实

作者在电脑上模拟了各种机器人（双足、四足、机械臂），并在真实的Unitree B1 四足机器人（带机械臂）上进行了测试。

结果：
- 更准： 算出的零件重量和摩擦力比传统方法准得多。
- 更稳： 机器人走楼梯、过崎岖路面时，不会像以前那样因为模型不准而摔倒。
- 更聪明： 即使没有力传感器，也能通过“能量账本”猜出摩擦力，让机器人动作更流畅。

总结

这篇论文就像给机器人装上了一套**“超级大脑”**。它不再把“我在哪”和“我是什么”分开看，而是把物理定律（约束）、能量守恒（账本）和数学技巧（逆向推理、快速算法）完美融合。

一句话概括： 它让机器人学会了在迷雾中，通过“算账”和“守规矩”，精准地认识自己的身体，从而在复杂环境中跑得更快、更稳、更聪明。

1. 研究背景与问题定义 (Problem)

核心挑战：
在机器人领域，系统辨识（SysID）对于缩小“仿真到现实”（Sim2Real）的差距至关重要。然而，传统的辨识方法存在以下局限性：

解耦假设： 传统方法通常假设机器人定位（状态估计）是完美的，将状态估计与参数辨识解耦。但在浮动基座（floating-base）系统中，模型参数误差（如惯量不匹配、摩擦建模错误）会直接导致状态估计退化，反之亦然。
频率学派局限： 传统最小二乘法等频率学派方法在数据稀缺、模型非线性或需要不确定性量化时容易过拟合，且难以处理物理约束。
复杂动力学建模缺失： 现有方法往往忽略了接触约束、闭链机构（如四连杆机构）、离散事件（如触地/离地）以及非线性摩擦（静摩擦、Stribeck 效应），导致辨识出的模型物理一致性差。
可观测性问题： 在缺乏直接力/力矩传感器的情况下，摩擦参数与惯性参数高度耦合，难以准确辨识。

目标：
提出一种统一的贝叶斯系统辨识框架，能够联合估计机器人的状态轨迹、物理参数（惯量、摩擦）以及外部干扰，同时严格满足物理一致性约束（接触、闭链、能量守恒）。

2. 方法论 (Methodology)

该框架基于贝叶斯优化，将系统辨识构建为一个带有硬约束的优化问题。

A. 核心优化框架

目标函数最小化状态、参数和扰动的先验偏差，同时拟合观测数据：
$\min_{x_s, u_s, \theta} \frac{1}{2}\|x_0 \ominus \bar{x}_0\|^2 + \frac{1}{2}\|\theta - \bar{\theta}\|^2 + \sum \|\text{观测残差}\|^2$
约束条件包括：

动力学一致性： 使用**逆动力学（Inverse Dynamics）**作为硬等式约束，显式耦合运动、驱动输入和接触力。
物理约束： 包含接触约束（Contact）、闭链运动学约束（Loop-closure）和离散重置映射（Reset maps，如碰撞）。
参数约束： 施加物理一致性约束（如质量非负、惯量张量正定、左右对称性）和不等式约束（如摩擦系数范围）。

B. 关键技术创新

混合动力学与闭链机构建模 (Hybrid Dynamics & Closed-Loops)：
- 利用高斯最小约束原理（Gauss's Principle of Least Constraint）处理接触和闭链约束。
- 通过拉格朗日乘子法显式计算约束力，并推导了解析导数（Analytical Derivatives），包括重置映射（Reset Maps）和闭链机构的雅可比矩阵导数，确保优化梯度的准确性。
物理一致的噪声投影 (Dynamically Consistent Disturbance)：
- 过程噪声被投影到约束流形的切空间（Tangent Space），确保生成的状态轨迹始终满足运动学约束，避免物理上不可能的状态。
参数化与物理一致性 (Physical Consistency)：
- 惯量参数： 采用**指数 - 特征值（Exponential-Eigenvalue, EE）**参数化方法，通过指数映射保证质量非负、惯量张量正定及三角形不等式，将无约束优化转化为物理合法的参数空间。
- 摩擦模型： 使用平滑可微的非线性摩擦模型（包含静摩擦、库伦摩擦、粘滞摩擦和 Stribeck 效应），并通过指数映射保证摩擦总是耗散能量。
基于能量的观测 (Energy-Based Observations)：
- 引入输入功率与机械能变化（动能 + 势能）及摩擦耗散能之间的能量守恒方程作为观测项。
- 这提供了额外的信息源，帮助在缺乏直接力矩传感器的情况下解耦摩擦参数与惯性参数，提高可观测性。
高效求解器 (Scalable Solver)：
- 推导了一种参数化等式约束 Riccati 递归（Parameterized Equality-Constrained Riccati Recursion）。
- 利用贝尔曼方程和零空间分解（Nullspace Factorization），在保持线性时间复杂度（ $O(N)$ ）的同时，处理长时程数据中的状态、控制输入和参数约束。

3. 主要贡献 (Key Contributions)

统一的贝叶斯框架： 首次将逆动力学、接触/闭链约束、非线性摩擦模型和能量观测统一在一个贝叶斯优化框架中，实现了状态与参数的联合估计。
解析导数与闭链处理： 为包含闭链机构（如四连杆腿）和离散接触事件的混合动力学系统推导了完整的解析导数，解决了传统方法中数值微分不稳定的问题。
物理一致性保障： 通过 EE 参数化和能量观测，确保辨识出的惯量和摩擦参数在物理上是合理的（如能量耗散、质量分布合法）。
可扩展的求解算法： 提出了基于 Riccati 递归的高效求解器，能够处理大规模、多速率数据集，并支持在模型预测控制（MPC）中实时部署。
实验验证： 在多种机器人系统（双足、四足、机械臂、四旋翼）的仿真及 Unitree B1 四足机器人（搭载 Z1 机械臂）的真实硬件实验中进行了验证。

4. 实验结果 (Results)

A. 仿真结果

逆动力学 vs. 正动力学： 逆动力学公式在收敛速度、状态轨迹误差和参数估计精度上均显著优于正动力学公式，特别是在接触丰富的场景下。
约束的作用： 引入物理约束（如对称性、总质量）显著降低了惯量参数的估计误差，同时保持了轨迹拟合度。
能量观测的影响： 引入能量观测项虽然略微增加了迭代次数，但显著降低了摩擦参数的估计误差（最高降低约 50%），并改善了惯量参数的辨识。
抗噪性： 在不同高斯噪声水平下，该方法（结合逆动力学、能量观测和贝叶斯约束）的辨识误差远低于传统的逆动力学回归（ID）和纯能量回归方法。

B. 硬件实验 (Unitree B1 + Z1 Arm)

模型精度： 在 Unitree B1 上，该方法成功辨识出了包含四连杆机构内部摩擦特性的模型。相比名义 URDF 模型，辨识后的模型在关节力矩预测上的误差显著降低（特别是 KFE 关节，消除了约一个数量级的误差）。
任务表现： 使用辨识后的模型进行控制，在复杂地形（如爬楼梯）和站立操作（Z1 臂画圆）任务中，机器人的质心角动量跟踪和末端执行器跟踪性能均优于使用名义模型的控制效果。
无需力传感器： 仅依靠编码器、IMU 和能量观测，成功辨识了摩擦参数，证明了该方法在无直接力/力矩传感器情况下的有效性。

5. 意义与影响 (Significance)

提升 Sim2Real 能力： 通过联合估计状态和参数，并严格遵循物理约束，生成的模型具有更高的物理保真度，直接提升了机器人控制器（如 MPC）在真实环境中的鲁棒性和敏捷性。
解决辨识难题： 有效解决了闭链机构、非线性摩擦和接触动力学带来的辨识难题，特别是通过能量观测解决了摩擦与惯量耦合的可观测性问题。
通用性与可扩展性： 提出的 Riccati 求解器具有线性复杂度，使得该方法能够应用于长时程数据和高频控制回路，为复杂机器人系统（如人形机器人、足式机器人）的在线或离线辨识提供了可扩展的解决方案。
理论贡献： 为混合动力学系统的解析导数计算和约束感知的贝叶斯估计提供了新的理论工具和实现路径。

总结： 该论文提出了一种物理一致性极强、计算高效且鲁棒的贝叶斯系统辨识框架，通过联合优化状态、参数和约束，显著提升了复杂机器人系统的建模精度和控制性能，是机器人系统辨识领域的重要进展。