- 针对低成本机器人臂（如CRANE-X7）的动态参数辨识问题，现有方法常导致**惯性矩阵非正定(physically infeasible)**，且**可重复性差(reproducibility)**
- 低成本平台使用模块化智能驱动器，需要一种实用、鲁棒的辨识框架，保证模型物理可行性
- 现有参数辨识流程中，模型参数过多（65个基础参数）导致可辨识性不足，需要简化
- 统计上中心的模型可能违反物理约束，需额外后处理确保可行性
- 基于**近似连杆对称性(approximate link symmetry)** 移除惯性积，将刚体模型从65个基础参数减少到39个
- 手工设计**结构化单关节和相邻关节基元(structured single-joint and adjacent-joint primitives)** 作为辨识运动，受实际关节极限约束
- 提出多阶段流程：**预处理(preprocessing)** → **逆动力学回归普通最小二乘(OLS)** → **条件半正定规划(SDP)投影** 恢复可行性 → **闭环输入误差(CLIE)精炼**
- 对来自40个结构化轨迹的候选解进行**主成分分析(PCA)**，选择统计中心代表性模型，再通过**全位姿惯性矩阵正定性审计(all-pose positive-definiteness audit)** 筛选，必要时执行局部后CLIE SDP修正
- **首创性地结合统计中心性与物理可行性**：在PCA空间中选择统计中心模型后，通过全位姿正定性审计和局部SDP修正保证物理可接受性
- **参数简化策略**：利用连杆对称性系统消除惯性积，显著降低参数维度（65→39），提升实际可辨识性
- **结构化的手工轨迹设计**：基于单关节和相邻关节基元，避免随机轨迹导致的不可观测性
- **渐进式参数云收敛**：从OLS→SDP→CLIE，参数云逐渐集中，最终模型保持高预测精度且物理可行
- 提供了一个**可复现且物理可行(reproducible and physically feasible)的动态参数辨识框架**，特别适用于低成本机器人平台
- 通过实验验证了参数云从粗到精的收敛过程，最终模型在保留验证运动上达到高预测精度
- 提出了一套系统化的后处理审计与修正机制，确保辨识结果的物理一致性
- 为低成本机器人臂的动态建模提供了一条实用路径，有望促进社区复现与后续研究