想象一场双人冰上舞蹈：两位舞者牵手旋转。当手臂张开时，转起来格外费力；当一方突然加速滑行，另一方会被“拽偏”；如果两人同时高速转圈，还会感到一股说不清的“侧风”从旁边推来。你或许以为这只是舞者的技巧问题，但在机器人世界里，这正是多关节机械臂的日常——每个关节都像一位舞者，而它们之间看不见的牵绊，就是本文的主角：惯性矩阵与科里奥利力。 机器人动力学方程告诉我们：想让一台多关节机器人精准动起来，不仅要“推得动”，更要算得清“关节间的相互影响”。惯性矩阵是机器人当前姿态的“质量分布档案”，科里奥利力则是高速运动时冒出来的“隐形侧风”。读懂了这对搭档，你就读懂了机器人为什么在慢速时乖巧、在高速时“发疯”，也就能理解工业机械臂与人形机器人的控制算法究竟在补偿什么。

岗位关联

对 AI 从业者而言，M(q) 与 C(q,q̇) 是理解机器人控制、仿真与数字孪生的“底层语法”——不读懂它们，就无法理解为什么同一套控制器换个姿态就会失稳，也无法与机器人工程师高效协作。

目录
  1. 可视化演示
  2. 惯性矩阵定义
  3. 对称与正定
  4. 耦合效应解析
  5. 科里奥利力
  6. 能量关系
  7. 数值特性
  8. 控制应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示惯性矩阵正定性与特征值分布、多关节机器人科里奥利力效应、及动能分解与能量耦合关系。

本节配有交互动效（进入视口后自动加载，约 3KB）。

惯性矩阵定义

双人冰舞开场：两位舞者牵手而立。当托举者把搭档高高举起、手臂完全展开时，他必须比“收拢双臂”时多花数倍的力气才能维持旋转；一旦搭档蜷缩身体，旋转又轻快起来。舞蹈教练会告诉你：这取决于“姿态”。机器人也一样——想让一个关节加速，需要的力矩取决于整条机械臂此刻的“姿势”，而不是一个固定常数。

在机器人学中，描述“当前姿态下质量分布”的数学对象，就是惯性矩阵 M(q)。它是一个 n×n 的矩阵（n 为关节数），每个元素都随关节角度向量 q 变化。动力学方程把电机力矩 τ 拆解为三部分：惯量项、速度项和重力项。其中 M(q)q̈ 是“惯量项”——推动当前质量分布产生加速度 q̈ 所需的力量。对角元 M_ii 衡量第 i 个关节“自己有多重”，非对角元 M_ij（i≠j）则刻画关节之间的耦合。

M(q) 还有一个等价的定义：它把系统动能 T 写成速度的二次型。这个形式看似抽象，却是一切能量分析的起点。

所以，M(q) 就像舞者组合的“质量合影”——每换一个姿势，合影都要重拍；每一对舞者（关节）之间的牵绊，都写在非对角元里。这张合影凭什么永远“站得稳”？下一节的两把尺子给出了答案。

τ=M(q)q¨+C(q,q˙)q˙+G(q)\displaystyle \boldsymbol{\tau} = \mathbf{M}(\mathbf{q})\ddot{\mathbf{q}} + \mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\dot{\mathbf{q}} + \mathbf{G}(\mathbf{q})
这条方程是机器人动力学的“总账本”：左边是电机发出的总力矩，右边依次是“推动质量”“对抗侧风”“扛住重力”三笔开销。
  1. 速度向量 q̇各关节的角速度，对应两位舞者的滑行速度。
    q˙\dot{\mathbf{q}}
  2. 二次型 q̇ᵀMq̇把速度按当前质量分布“加权求和”，每一项 M_ij q̇_i q̇_j 代表一对速度分量的共同贡献。
    q˙⊤M(q)q˙\dot{\mathbf{q}}^{\top}\mathbf{M}(\mathbf{q})\dot{\mathbf{q}}
  3. 系数 ½与牛顿力学动能 ½mv² 保持一致的约定。
    12\frac{1}{2}

对称与正定

舞者无论摆出多么夸张的姿势，有一条铁律不变：想动，就得费力气；没有人能靠“白嫖”冰面的反作用力凭空获得能量。数学上给这条铁律起的名字，叫正定性。

惯性矩阵有两个不可动摇的性质。第一，对称性：M_ij = M_ji。它源于动能定义中 q̇_i q̇_j 与 q̇_j q̇_i 天然相等——你拉我的手和我拉你的手，本来就是同一对力。第二，正定性：对任意非零速度 q̇，动能恒为正。

正定性带来的工程价值是可逆性：M(q) 永远非奇异，M⁻¹(q) 总是存在。这意味着我们总能从给定的力矩反解出加速度——这是所有机器人仿真器（如 PyBullet、MuJoCo）求解运动的第一步，也是计算力矩控制能写出来的前提。对称性让“牵手的两端”承认同一个力，正定性让舞蹈永远需要真实的能量输入——这两把尺子，是所有动力学算法安全的地基。

M(q)≻0⇔q˙⊤M(q)q˙>0,∀q˙≠0\displaystyle \mathbf{M}(\mathbf{q}) \succ \mathbf{0} \quad \Leftrightarrow \quad \dot{\mathbf{q}}^{\top}\mathbf{M}(\mathbf{q})\dot{\mathbf{q}} > 0,\quad \forall \dot{\mathbf{q}} \neq \mathbf{0}
正定性意味着“任何真实的运动都需要注入正能量”，这是自然界不允许“免费能量”的数学表达。
  1. 下标 i、j矩阵第 i 行第 j 列的元素。
    Mij\mathbf{M}_{ij}
  2. 互易相等交换下标后数值不变，说明“牵绊”是相互的。
    Mij(q)=Mji(q)\mathbf{M}_{ij}(\mathbf{q}) = \mathbf{M}_{ji}(\mathbf{q})

耦合效应解析

双人舞中最有意思的瞬间，是托举者突然发力把搭档抛起：搭档加速上升的那一刹那，托举者自己也被一股力量“带得往下一沉”。一个人的加速，为何会牵扯到另一个人？因为交握的手把两人焊在了一起。

耦合正是惯性矩阵非对角元的物理含义。把双关节动力学方程展开成 2×2 形式，可以看到关节二的加速度 q̈₂ 怎样“串门”到关节一的力矩方程里。

耦合强度不是常数。以二连杆平面臂为例，M₁₂ = I₂ + m₂(l_c2² + l₁l_c2 cos q₂)：当机械臂完全伸直（q₂=0）时耦合最大，折起来（q₂=π）时耦合最小。这正是舞者“手臂张开时相互影响最强”的数学表达。耦合效应告诫我们：在多关节系统里，没有任何一个关节是“孤岛”。想精确控制肩关节，就得知道肘关节正在做什么——这正是双人舞教练必须同时盯着两个人的原因。

[τ1τ2]=[M11M12M21M22][q¨1q¨2]+[c1c2]\displaystyle \begin{bmatrix} \tau_1 \\ \tau_2 \end{bmatrix} = \begin{bmatrix} M_{11} & M_{12} \\ M_{21} & M_{22} \end{bmatrix}\begin{bmatrix} \ddot{q}_1 \\ \ddot{q}_2 \end{bmatrix} + \begin{bmatrix} c_1 \\ c_2 \end{bmatrix}
方阵中的 M₁₂ 与 M₂₁ 就是“交握的手”：关节二的加速会通过它拽动关节一，反之亦然。
  1. 力矩向量两个关节各自的驱动力矩。
    τ1,τ2\tau_1, \tau_2
  2. 惯性矩阵展开2×2 矩阵把两个关节的加速度“混合”后映射到力矩。
    [M11M12M21M22]\begin{bmatrix} M_{11} & M_{12} \\ M_{21} & M_{22} \end{bmatrix}
  3. 耦合通道M₁₂ 把 q̈₂ 送进 τ₁，M₂₁ 把 q̈₁ 送进 τ₂。
    M12q¨2,M21q¨1M_{12}\ddot{q}_2, \quad M_{21}\ddot{q}_1

科里奥利力

在游乐园的旋转木马上，如果你从边缘朝圆心走，会感到一股力量把你往侧面推——明明没有风，却像有风。这就是科里奥利效应：当“旋转”和“径向移动”两个运动同时发生时，会出现垂直于两者的第三方向作用力。冰上双人舞也有同样的体验：两人边转圈边变换牵手姿势时，总有一股说不清的横向拉扯。

机器人里也有这东西。当两个关节同时运动（q̇₁ 与 q̇₂ 都不为零）时，动力学方程中的 C(q,q̇)q̇ 会输出与“速度乘积”相关的力。它的数学根源，是惯性矩阵随位形变化：对动能 T 求时间导数时，∂M/∂q 这类项会产生耦合速度的附加力矩。

当只有一个关节运动时，q̇_i q̇_j 型的科里奥利项退化为 q̇_i² 型，这就是离心力——相当于舞者单臂快速甩动时感受到的“向外拉”。科里奥利力像冰舞中那股“看不见的侧风”：它不消耗舞者的体力总额，却总在关键时刻把人拽偏。高速六轴工业臂做大范围动作时，这股力道可以达到重力的数倍——忽略它，轨迹就会跑偏。

cijk(q)=12(∂Mij∂qk+∂Mik∂qj−∂Mjk∂qi)\displaystyle c_{ijk}(\mathbf{q}) = \frac{1}{2}\left(\frac{\partial M_{ij}}{\partial q_k} + \frac{\partial M_{ik}}{\partial q_j} - \frac{\partial M_{jk}}{\partial q_i}\right)
Christoffel 符号像一本“配平手册”：它保证后续构造出的科里奥利矩阵与能量守恒严格自洽。
  1. 乘速度求和每个 Christoffel 符号与第 k 个关节速度加权求和。
    ∑k=1ncijk(q) q˙k\sum_{k=1}^{n} c_{ijk}(\mathbf{q})\,\dot{q}_k
  2. 矩阵元 C_ij最终构成科里奥利矩阵的第 i 行第 j 列。
    Cij\mathbf{C}_{ij}

能量关系

如果给整场双人舞装一个“能量账本”，你会发现：无论舞者怎样旋转拉扯，除非有人主动发力或摔倒摩擦，机械能总量不增不减。科里奥利力在这本账里的角色是“内部转账”——它把能量从一个关节挪到另一个关节，但账本总额不变。

把动能 T 对时间求导，代入动力学方程，会得到一个无比漂亮的结论：

“反对称”意味着对任意速度向量 q̇，都有 q̇ᵀ(Ṁ−2C)q̇ = 0。代入 dT/dt 的表达式后恰好说明：科里奥利项的功率恒为零——它一分钱能量都不赚，也一分钱不亏。这个性质称为无源性（passivity），是许多自适应控制、阻抗控制算法稳定性的根。有了这本“永不失衡的账本”，控制器设计师才能放心地说：哪怕模型暂时算不准，只要算法满足无源性，系统就不会突然“爆炸”。这是双人舞中最可靠的默契——力气可以在两人之间传递，但总量永远不会说谎。

(M˙(q)−2C(q,q˙))⊤=−(M˙(q)−2C(q,q˙))\displaystyle \left(\dot{\mathbf{M}}(\mathbf{q}) - 2\mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\right)^{\top} = -\left(\dot{\mathbf{M}}(\mathbf{q}) - 2\mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\right)
Ṁ−2C 是反对称矩阵：转置等于负自己。这个性质让科里奥利力在功率层面“彻底隐身”。
  1. Ṁ 的变化率惯性矩阵随时间的变化率，由位形运动引起。
    M˙(q)=ddtM(q)\dot{\mathbf{M}}(\mathbf{q}) = \frac{d}{dt}\mathbf{M}(\mathbf{q})
  2. 两倍 C科里奥利矩阵乘以 2，这是 Christoffel 构造中 ½ 系数的“另一半”。
    2C(q,q˙)2\mathbf{C}(\mathbf{q},\dot{\mathbf{q}})
  3. 反对称判定矩阵的转置等于它的相反数。
    (M˙−2C)⊤=−(M˙−2C)\left(\dot{\mathbf{M}} - 2\mathbf{C}\right)^{\top} = -\left(\dot{\mathbf{M}} - 2\mathbf{C}\right)

数值特性

想象一个体重秤，如果某天它在你区区几克的偏移下读数疯狂跳动，你一定会说“这秤坏了”。当机器人的姿态处在某些特殊位置时，惯性矩阵的行为就像这个发疯的秤——这就是病态。

衡量 M(q) 病态程度的指标是条件数：

当二连杆完全伸直（q₂=0）时，M(q) 接近奇异，λ_min 趋近于零，κ(M) 急剧增大。此时微小的力矩误差会被放大成巨大的加速度误差——控制器明明很努力，机器人却像喝醉了酒。数值上，仿真器在奇异位形附近积分误差急剧膨胀，时间步长必须缩得很小才能稳定；真实机器人则表现为微小指令抖动引发大幅振颤。工程应对包括：轨迹规划时避开奇异位形、对 M⁻¹ 做奇异值截断、增加关节空间阻尼。条件数是舞者的“危险姿态警报器”——当舞者把手臂完全伸直、整个人绷成一条线时，任何细小的用力偏差都会被放大成离谱的失控。聪明的教练会绕开这种姿态，或提前降低动作速度。

κ(M)=λmax⁡(M)λmin⁡(M)\displaystyle \kappa(\mathbf{M}) = \frac{\lambda_{\max}(\mathbf{M})}{\lambda_{\min}(\mathbf{M})}
条件数刻画从“力矩到加速度”这个映射在各方向上的敏感度差异；越大越接近奇异，控制越容易失控。
  1. 最大特征值惯性矩阵在“最重”方向上的等效惯量。
    λmax⁡(M)\lambda_{\max}(\mathbf{M})
  2. 最小特征值在“最轻”方向上的等效惯量。
    λmin⁡(M)\lambda_{\min}(\mathbf{M})
  3. 比值 κ两者之比，衡量敏感度差异的放大倍数。
    κ(M)=λmax⁡λmin⁡\kappa(\mathbf{M}) = \frac{\lambda_{\max}}{\lambda_{\min}}

控制应用

好的双人舞教练是什么样的？他不会等舞者摔了再喊“稳住”，而是看着两人的姿态和速度，提前喊出下一秒的发力指令：“你，往左半步给力！你，收臂！”这种预判式指挥，正是机器人动力学控制的核心思路。

最经典的实现是计算力矩控制（computed torque control）：

代入动力学方程后，闭环变成 q̈ = q̈_d + K_d ė + K_p e：非线性机器人被“洗”成了线性系统，接下来直接用经典控制理论调 K_p、K_d 即可。实际工程中 M、C、G 往往通过参数辨识得到，不可能绝对精确，所以外环 PD 还要兜底模型误差；而高速场景（如 Delta 机器人每秒数次往复）下科里奥利项绝不能省。从双人冰舞到六轴机械臂，动力学控制的本质始终如一：看清此刻的姿态（M），预判速度带来的侧风（C），抵消重力的拖累（G），再用 PD 修正收尾——跳得好不好，取决于“预判”够不够准。

τ=M(q)(q¨d+Kde˙+Kpe)+C(q,q˙)q˙+G(q)\displaystyle \boldsymbol{\tau} = \mathbf{M}(\mathbf{q})\left(\ddot{\mathbf{q}}_{d} + \mathbf{K}_{d}\dot{\mathbf{e}} + \mathbf{K}_{p}\mathbf{e}\right) + \mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\dot{\mathbf{q}} + \mathbf{G}(\mathbf{q})
内层用 M、C、G 完整补偿动力学（教练算好姿态、侧风、重力），外层 PD 负责把跟踪误差拉回零。
  1. 误差修正项位置误差与速度误差的线性组合，对应外环 PD。
    q¨d+Kde˙+Kpe\ddot{\mathbf{q}}_{d} + \mathbf{K}_{d}\dot{\mathbf{e}} + \mathbf{K}_{p}\mathbf{e}
  2. 内环补偿用实时位形算出的 M、C、G 抵消全部非线性。
    M(q)(⋅)+C(q,q˙)q˙+G(q)\mathbf{M}(\mathbf{q})(\cdot) + \mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\dot{\mathbf{q}} + \mathbf{G}(\mathbf{q})
  3. 线性化结果误差动力学退化为常系数二阶线性系统。
    e¨+Kde˙+Kpe=0\ddot{\mathbf{e}} + \mathbf{K}_{d}\dot{\mathbf{e}} + \mathbf{K}_{p}\mathbf{e} = \mathbf{0}

AI 应用场景

工业机械臂高速搬运

阶段：机器人控制算法设计与部署

解决的问题：传统低速场景忽略科里奥利力，速度一提高，末端轨迹误差可达数厘米；控制工程师用计算力矩控制实时补偿 C(q,q̇)q̇，把跟踪误差降到亚毫米级。就像教练提前喊出“侧风来了”，机械臂才能稳稳走完拐点。

具体案例：某 3C 电子产线的六轴机器人执行“取放”循环，节拍要求 0.8 秒一次，大臂小臂高速大幅摆动。加入科里奥利前馈补偿前，末端在拐点处最大偏差 8mm；补偿后降至 0.6mm，电机电流峰值下降 18%，产线良率随之提升。

人形机器人步态强化学习

阶段：仿真训练与 sim-to-real 迁移

解决的问题：人形机器人行走时髋、膝、踝关节角度大范围变化，M(q) 剧烈变动；强化学习策略在仿真器中依赖准确的 M(q) 求解正动力学。条件数在“锁膝”等近奇异位形暴增，导致仿真步长被迫缩小、训练变慢。

具体案例：某足式机器人团队在 MuJoCo 中训练奔跑策略时，通过实时监控惯性矩阵条件数、剔除高危位形样本，训练时间缩短 35%，sim-to-real 迁移成功率提高 20 个百分点——相当于让舞者绕开“最容易摔倒的姿势”去练舞。

数字孪生中的动力学参数辨识

阶段：模型在线更新与预测维护

解决的问题：机械臂抓取不同工件时负载变化，M(q) 随之改变，固定模型的数字孪生预测会逐渐失真。用激振轨迹激励 + 最小二乘在线辨识惯性参数，实时刷新孪生模型。

具体案例：某仓储机器人分拣 1~20kg 不同包裹时，在线更新 M(q) 后，数字孪生预测的关节力矩与实际测量误差从 15% 降至 3%，为后续能耗优化与故障预警提供了可靠底座。

Python 演示

python59 行
import numpy as np # 二连杆平面机械臂参数 (SI 单位): 质量, 杆长, 质心位置, 转动惯量M1, M2 = 1.0, 1.0L1, L2 = 1.0, 1.0LC1, LC2 = 0.5, 0.5I1, I2 = M1 * L1**2 / 12.0, M2 * L2**2 / 12.0  def mass_matrix(q):    """惯性矩阵 M(q): 随位形变化, 决定动能对速度的加权"""    q2 = q[1]    m11 = I1 + I2 + M1 * LC1**2 + M2 * (L1**2 + LC2**2 + 2 * L1 * LC2 * np.cos(q2))    m12 = I2 + M2 * (LC2**2 + L1 * LC2 * np.cos(q2))    m22 = I2 + M2 * LC2**2    return np.array([[m11, m12], [m12, m22]])  def coriolis_matrix(q, qd):    """科里奥利/离心矩阵 C(q, qd): 速度乘积产生的侧向力"""    q2 = q[1]    h = -M2 * L1 * LC2 * np.sin(q2)    return np.array([[h * qd[1], h * (qd[0] + qd[1])],                     [-h * qd[0], 0.0]])  def kinetic_energy(q, qd):    """动能 T = 0.5 * qd^T M(q) qd"""    return 0.5 * qd.dot(mass_matrix(q).dot(qd))  def forward_dynamics(q, qd, tau):    """由动力学方程求加速度: qdd = M^-1 (tau - C qd)"""    return np.linalg.solve(mass_matrix(q), tau - coriolis_matrix(q, qd).dot(qd))  def simulate(q0, qd0, tau, dt=0.001, steps=2000):    """显式欧拉仿真: 验证无外力时机械能守恒"""    q, qd = q0.copy(), qd0.copy()    for _ in range(steps):        qdd = forward_dynamics(q, qd, tau)        qd = qd + qdd * dt        q = q + qd * dt    return q, qd  if __name__ == "__main__":    q0 = np.array([1.0, 0.6])    qd0 = np.array([2.0, -1.5])    tau = np.array([0.0, 0.0])    T0 = kinetic_energy(q0, qd0)    q1, qd1 = simulate(q0, qd0, tau)    T1 = kinetic_energy(q1, qd1)    print("初始动能: %.6f J, 仿真末动能: %.6f J" % (T0, T1))    print("能量偏差: %.2e J (接近 0 说明 M 与 C 自洽)" % abs(T1 - T0))    for theta in [0.0, 0.6, 1.2, 2.0, 3.0]:        Mq = mass_matrix(np.array([0.0, theta]))        cond = np.linalg.cond(Mq)        print("q2=%.1f 时惯性矩阵条件数 %.2f" % (theta, cond))
目的：实现二连杆平面机器人的惯性矩阵、科里奥利矩阵与正动力学求解，验证能量守恒，并扫描不同位形下惯性矩阵的条件数。
  1. h = -M2 * L1 * LC2 * np.sin(q2)科里奥利耦合的“强度开关”：q₂ 越接近 90°，sin(q₂) 越大，侧风越猛。
  2. np.linalg.solve(mass_matrix(q), tau - coriolis_matrix(q, qd).dot(qd))依赖 M 的可逆性解出加速度；正定性保证了这一步永远可行。
  3. 0.5 * qd.dot(mass_matrix(q).dot(qd))动能二次型 q̇ᵀMq̇ 的数值实现，M 随位形实时更新。
  4. abs(T1 - T0)能量偏差接近 0，验证了 M 与 C 的构造自洽（科里奥利力不做功）。
  5. np.linalg.cond(Mq)量化条件数：q₂=0（完全伸展）时病态最严重，跑出来的数会明显跳高。

常见误区

误区“我一开始以为 M(q) 就像牛顿 F=ma 里的 m，是个固定常数。机器人装好以后重量又不会变，为什么要随姿态改？”

正解质量 m 是固定标量，但惯性矩阵 M(q) 是“质量分布”的抽象，会随关节位形剧烈变化。机械臂完全伸展时肩关节的等效惯量可达收拢时的数倍，好比舞者张开手臂转圈远比收拢费力。仿真和调试时最常见的错误，就是拿某一姿态下的 M 当全局常数用。

为何常见：F=ma 先入为主，把“整体质量不变”误当成“惯量矩阵不变”，忽略了质量分布随位形改变这一事实。

误区“仿真里科里奥利力矩数值很大，它一定在消耗能量，所以系统总能量会越来越少。”

正解科里奥利力属于虚拟惯性力，永不对外做功；总机械能守恒时，它只是把能量在关节之间转移。这正是 Ṁ−2C 反对称性的物理含义。如果仿真中能量不断衰减，通常是数值积分误差或摩擦模型造成的，而不是科里奥利项在“耗能”。

为何常见：把“数值大”等同于“做功多”，忽略了判断做功与否要看“力矩 × 同方向速度”的功率是否为零。

误区“M₁₂ = M₂₁，说明耦合力和自惯量差不多大，两个关节的相互作用和自身惯性是一回事。”

正解对称只说明“你影响我”和“我影响你”的强度相同——就像交握的手传来的力对双方一样大，却不代表两人体重相同。数值上 M₁₂ 通常远小于 M₁₁ 与 M₂₂，但在完全伸展位形下耦合的相对占比会显著上升。

为何常见：只记住了对称等式，没有把“矩阵元的数值大小”对应到“物理量级”上。

误区“条件数很大的惯性矩阵说明机器人'劲大'、有力气，应该更好控制。”

正解条件数是各方向惯量差异的放大镜：κ 大意味着矩阵接近奇异，从力矩到加速度的映射病态，微小指令误差会被放大成剧烈抖动。舞者把手臂完全绷直时，手稍微一抖整个人都会晃——这不是强，是脆弱。

为何常见：把“大”等同于“强”，忽略了病态矩阵在数值上极度敏感的特性。

误区“我们的机械臂速度不快，科里奥利项可以永远忽略，只补偿重力就够了。”

正解科里奥利力矩与速度的乘积成正比，速度翻倍它涨四倍。低速时确实可以忽略，但节拍一加快或轨迹大范围摆动，误差会迅速超过重力项的量级。正确做法是用“速度量级”决定模型复杂度，而不是惯性思维一刀切。

为何常见：把低速调试的局部经验推广到全局，忽略了科里奥利项随速度平方增长的特性。

面试题

Q1. 关于惯性矩阵 M(q) 的说法正确的是？

单选题 · easy

  • A.恒为常数对角矩阵
  • B.随位形对称正定← 正确答案
  • C.只与速度平方有关
  • D.与重力方向有关

答案：B。A 错——惯性矩阵随位形变化，不是常数；C 错——它只与关节角度有关，与速度无关；D 错——它是位形的函数，与重力方向无关。正确选项 B：M(q) 对任意位形都是对称正定矩阵，这是动力学能量的基本保证。

Q2. M(q) 正定性的物理含义是？

单选题 · easy

  • A.任意运动都需正动能← 正确答案
  • B.系统必须包含摩擦
  • C.重力必须保持为零
  • D.关节数量必须为二

答案：A。正定性意味着对任意非零速度，动能 ½q̇ᵀMq̇ 恒为正——就像无论舞者摆什么姿势，“动起来就要费力气”的铁律不变。B、C、D 都是把不必要的物理条件强加在模型上。

Q3. 非对角元 M₁₂ 的物理含义是？

单选题 · mid

  • A.关节二加速牵动关节一← 正确答案
  • B.关节一电机自身转动惯量
  • C.关节二重力在关节一投影
  • D.关节一与关节二的摩擦力

答案：A。M₁₂ 是惯性矩阵非对角元，直接描述关节二的加速度在关节一上产生的耦合力矩——就像双人舞中一方起跳会把另一方带偏。B 是对角元 M₁₁ 的含义，C、D 与惯性矩阵无关。

Q4. 科里奥利矩阵在数学上源于？

单选题 · mid

  • A.重力势能对位形的偏导数
  • B.惯性矩阵对位形的偏导数← 正确答案
  • C.关节摩擦力对速度的偏导
  • D.电机力矩对速度的偏导

答案：B。对动能求时间导数时，会自然出现 ∂M/∂q 项，这正是科里奥利矩阵的数学摇篮。它是惯性矩阵对位形的偏导，不是重力、摩擦或电机力矩的产物。

Q5. 离心力与科里奥利力的区别是？

单选题 · mid

  • A.前者产生能量后者消耗能量
  • B.前者来自重力后者来自摩擦
  • C.前者正比速度平方后者正比乘积← 正确答案
  • D.前者只影响位置后者只影响速度

答案：C。离心力正比于同一关节速度的平方（q̇ᵢ²），科里奥利力正比于两个不同关节速度的乘积（q̇ᵢq̇ⱼ）——就像“一个人原地转圈”与“两人同时滑行”的差别。两者都不产生或消耗能量。

Q6. 条件数很大的位形意味着？

单选题 · mid

  • A.惯性矩阵一定为对角矩阵
  • B.科里奥利力的作用自动消失
  • C.重力补偿完全没有必要
  • D.力矩到加速度映射病态易失稳← 正确答案

答案：D。条件数 = λ_max/λ_min 很大时，惯性矩阵接近奇异，力矩的微小误差会被放大成巨大的加速度误差，控制易失稳——类似舞者完全伸展时体重秤读数“发疯”。A、B、C 都与条件数的定义无关。

Q7. 反对称关系 Ṁ−2C 的价值在于？

单选题 · hard

  • A.表明惯性矩阵是常数矩阵
  • B.说明科里奥利力消耗能量
  • C.证明重力项可以完全忽略
  • D.保证无源性使稳定性分析可行← 正确答案

答案：D。Ṁ−2C 反对称 ⇒ 对任意速度有 q̇ᵀ(Ṁ−2C)q̇=0 ⇒ 科里奥利力功率恒为零，系统满足无源性，为稳定性分析提供根基。B 正好说反，A、C 与动力学事实相悖。

Q8. 计算力矩控制的核心思想是？

单选题 · hard

  • A.完全忽略耦合只调节 PID
  • B.只补偿重力忽略速度耦合
  • C.依靠摩擦阻尼保证系统稳定
  • D.精确补偿动力学化为线性系统← 正确答案

答案：D。计算力矩控制利用 M、C、G 的实时补偿，把非线性机器人“洗”成线性二阶系统，再用 PD 修正误差。A、B 忽略耦合与速度项，高速场景必失准；C 混淆了摩擦阻尼与动力学补偿。

Q9. 关于惯性矩阵 M(q) 正确的是？

多选题 · mid

  • A.对称性 M_ij=M_ji← 正确答案
  • B.正定性保证矩阵可逆← 正确答案
  • C.随关节位形连续变化← 正确答案
  • D.随关节速度线性变化

答案：ABC。A 对称性由动能二次型天然保证；B 正定性保证 M 可逆，这是解算加速度的前提；C 惯性矩阵是位形的函数，随关节角连续变化。D 错误：M(q) 只依赖位形 q，与速度无关。

Q10. 科里奥利力不做功体现在？

多选题 · hard

  • A.只重分配关节间的动能← 正确答案
  • B.属于虚拟惯性力类别← 正确答案
  • C.反对称性保功率平衡← 正确答案
  • D.会消耗系统总机械能

答案：ABC。科里奥利力是虚拟惯性力，它只是“重新分配”关节间的能量；反对称关系 Ṁ−2C 保证了功率平衡恒为零。D 说“消耗总机械能”恰好与“不做功”矛盾，是典型的错误直觉。