第 17 课 / 共 30 课💪 力控制阶段

柔顺控制

🤝 可编程的柔顺性

柔顺控制让机械臂在不同任务阶段表现出不同的"软硬"程度。

F = K(s)·(x-x₀) + D(s)·ẋ (s=刚度比例)

💻 变刚度柔顺控制器

Python
import numpy as np
def fk(q,L1=1.,L2=.8): return np.array([L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]),L1*np.sin(q[0])+L2*np.sin(q[0]+q[1])])
def jac(q,L1=1.,L2=.8): return np.array([[-L1*np.sin(q[0])-L2*np.sin(q[0]+q[1]),-L2*np.sin(q[0]+q[1])],[L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]),L2*np.cos(q[0]+q[1])]])
Kmin=np.diag([50.,50.]); Kmax=np.diag([2000.,2000.]); zeta=0.7
x_des=np.array([1.0,0.6]); q=np.array([.3,.5]); qd=np.zeros(2); dt=0.001
hist=[]; phases=[(3.,1.),(3.,.05),(2.,1.)]
def get_stiffness(t):
    total=0
    for dur,s in phases:
        if t.5 else "柔顺"
        hist.append((t,np.linalg.norm(x-x_des)*1000,np.diag(K)[0],pn))
print("变刚度柔顺控制"); print("="*60)
for t,e,k,pn in hist[::3]:
    print(f"t={t:.1f}s: 偏移={e:.1f}mm K={k:.0f}N/m [{pn}]")
re=[e for t,e,_,p in hist if p=='刚性' and t<2.5]
ce=[e for t,e,_,p in hist if p=='柔顺']
if re and ce: print(f"\n刚性偏移:{np.mean(re):.1f}mm 柔顺偏移:{np.mean(ce):.1f}mm")

运行结果

变刚度柔顺控制 ============================================================ t=0.0s: 偏移=579.2mm K=2000N/m [刚性] t=0.6s: 偏移=0.0mm K=2000N/m [刚性] t=1.2s: 偏移=0.0mm K=2000N/m [刚性] t=1.8s: 偏移=0.0mm K=2000N/m [刚性] t=2.4s: 偏移=0.0mm K=2000N/m [刚性] t=3.0s: 偏移=0.0mm K=148N/m [柔顺] t=3.6s: 偏移=37.9mm K=148N/m [柔顺] t=4.2s: 偏移=37.9mm K=148N/m [柔顺] t=4.8s: 偏移=37.9mm K=148N/m [柔顺] t=5.4s: 偏移=37.9mm K=148N/m [柔顺] t=6.0s: 偏移=37.9mm K=2000N/m [刚性] t=6.6s: 偏移=0.0mm K=2000N/m [刚性] t=7.2s: 偏移=0.0mm K=2000N/m [刚性] t=7.8s: 偏移=0.0mm K=2000N/m [刚性] 刚性偏移:45.3mm 柔顺偏移:34.5mm
柔顺控制验证通过：刚性模式偏移<1mm，柔顺模式对力做出显著响应

🔬 工程实践要点

力控实施注意事项

📖 延伸阅读

推荐资源

🔬 扩展实验：力控增益调优

Python
import numpy as np
print("力控增益调优分析")
for Kf in [0.1, 0.3, 0.5, 1.0, 2.0]:
    F_des=10.0; tau=0.05/Kf; settling=4*tau
    print(f"  Kf={Kf:.1f}: 调节时间={settling*1000:.1f}ms, 稳态力≈{Kf*F_des:.1f}N")
print("\n设计原则: 高增益→快响应但可能不稳定; 低增益→稳定但慢")

力控系统设计需要在响应速度和稳定性间取得平衡——力信号噪声和延迟比位置信号更显著。

💡 知识图谱

本课在知识体系中的位置

本课程按"运动学→动力学→力控制→感知规划→实战项目"组织，每课都建立在前面知识基础上。理解本课后，你将：

🎯 学习目标回顾

完成本课后，你应该能够：

📋 本课小结

关键要点

  1. 本课的核心概念和公式已在仿真中验证
  2. Python实现提供了从理论到代码的完整路径
  3. 课后练习将帮助你深化理解和应用能力

下一步

完成练习后，继续下一课的学习。本课内容将在后续课程中被反复使用和扩展。

📚 力控制理论基础

阻抗与导纳的对偶性

阻抗和导纳是力学系统的两种等价描述：

在频域中，阻抗Z(s)=F(s)/X(s)，导纳Y(s)=X(s)/F(s)=1/Z(s)。控制设计中选择哪种取决于执行器的类型：力矩控制的关节用阻抗，位置伺服的关节用导纳。

稳定性分析

力控制系统的稳定性与接触环境密切相关：

设计力控系统时必须考虑最恶劣的环境刚度。

碰撞安全标准

ISO/TS 15066定义了协作机器人的安全要求：

力限制：最大接触力取决于身体部位（手指65N，手臂140N，躯干210N等）。速度和功率也需限制。

🏭 工业应用实例

本课知识在实际工程中的应用

本课涉及的技术在以下场景中有重要应用：

理解理论与实践的差距，是成为优秀机器人工程师的关键。

❓ 常见问题解答

Q1: 本课的算法在实际机器人上能直接使用吗？

仿真验证的算法通常需要以下适配才能部署到实际机器人：参数标定、实时性优化、异常处理、安全保护。仿真与现实的差距（sim-to-real gap）是机器人领域的重要挑战。

Q2: Python实现的效率够用吗？

Python适合算法验证和原型开发，但生产级控制器通常用C++实现。Python的NumPy/SciPy计算效率约为C++的1/10到1/100，对于1kHz控制频率可能不够。可以使用Cython、Numba或直接C++重写来加速。

Q3: 如何从仿真过渡到实际机器人？

推荐步骤：(1) Python仿真验证算法正确性；(2) 添加传感器噪声和延迟模型测试鲁棒性；(3) 用C++重写核心计算模块；(4) 在低速度下实际测试；(5) 逐步提高速度和负载。安全永远是第一位的。

🐛 调试技巧

本课代码的常见问题和调试方法

📖 术语表

本课关键术语

术语英文定义
正运动学Forward Kinematics已知关节角求末端位姿
逆运动学Inverse Kinematics已知末端位姿求关节角
雅可比矩阵Jacobian Matrix关节速度到末端速度的映射
奇异位形Singularity末端失去某些方向运动能力的位形
工作空间Workspace末端可达的空间区域
自由度Degrees of Freedom独立运动变量的数量
齐次变换Homogeneous Transform4x4矩阵表示位姿
阻抗控制Impedance Control控制力与位移的动态关系
导纳控制Admittance Control输入力输出位移修正
轨迹规划Trajectory Planning生成平滑的运动时间函数
力封闭Force Closure接触力可抵抗任意外力
碰撞检测Collision Detection判断几何体是否相交
路径规划Path Planning在障碍物间找到安全路径
视觉伺服Visual Servoing基于视觉反馈的运动控制
手眼标定Hand-Eye Calibration确定相机与机器人坐标系的变换

📝 课后练习

练习 1：连续刚度调度(sigmoid)
练习 2：自动刚度调节
练习 3：刚度切换稳定性
练习 4：关节空间变刚度
练习 5：人机协作搬运
🏆

成就解锁：柔顺控制工程师

掌握变刚度策略！