31.1.4 传感器与执行器：柔顺执行器SEA

可视化演示

展示串联弹性执行器SEA的电机-弹簧-负载结构、弹簧力控特性F=kd及人机安全交互中柔顺吸冲与刚性碰撞对比。

SEA基本概念

想象两位太极推手过招。一位力士猛推过来，新手只会硬顶，肩臂一僵便被人连根拔起。高手却不同，他双臂微沉、身体微微后收——这“一收”，把对方直愣愣的冲劲化成了自己脚下的沉稳。机器人的世界也懂这个道理：如果电机直愣愣地硬推负载，一遇撞击就打齿、过载、振荡。这时，一根弹簧就成了最好的“太极高手”。

工程师向太极高手偷师，设计出了柔顺执行器（SEA，Series Elastic Actuator）。它的核心结构极其简单：电机输出端先接一个弹性元件（弹簧），弹簧再接负载，形成“电机—弹簧—负载”一条串联传动链。弹簧就是那位高手的“含胸”，既缓冲外力，又忠实记录“对方用了多大力”。正是这个不起眼的串联环节，把“硬碰硬”的刚性传动，变成了“以柔化刚”的柔顺传动。

弹簧能记录力，靠的是物理学中最朴素的定律——胡克定律。当弹簧被压缩或拉伸时，它会产生一个反向的弹性力，这个力与形变量成正比。SEA 正是利用这个关系：一来让传力过程“变柔”，冲击被弹簧吸收而不是直接打到齿轮上；二来把“看不见的力”变成“看得见的形变”，让控制器只需读形变就能知道当前传了多大力。

太极高手“被推得退一寸，便知道来力有几分”；SEA 瞄一眼弹簧缩了多少，也就读出了此刻的力有多大。这根不起眼的弹簧，正是机器人获得“手感”的起点。

工作原理

太极推手最讲究“听劲”：两人手腕相接，高手不用眼睛看，单凭接触点那一点细微的松紧、沉浮，就能探明对方力的方向、大小与变化。这一身功夫的本质，是“让身体变成传感器”——形变即是信息。

SEA 也把“听劲”挂在了弹簧上。旋转型 SEA 中，电机侧转角与负载侧转角往往不相同，中间的扭转弹簧被迫拧过一个角度差。这个角度差就是“身体被推开的幅度”，力矩信息就藏在这段小小的扭转形变里。

设电机侧转角为 θ_m，负载侧转角为 θ_l，弹簧扭转刚度为 k，则传递力矩 τ 与角度差成正比。这意味着 SEA 天然实现了“力位解耦”：电机调节的是弹簧两端的位置差，而负载真正感受到的是由位置差产生的力矩。力控时不必依赖电机电流估算力矩，直接用角度差换算即可；高精度编码器测角度的能力，直接转化为高精度的力感知。当然，“听劲”也有边界——形变测量受位移传感器分辨率限制，形变太小则力分辨率不足，形变太大则占用行程，这为后续的设计权衡埋下了伏笔。

师傅说“劲由听来”，SEA 说“力由形变读来”。弹簧两端小小的角度差，就是机器人与外界对话的语言——读懂它，才知道该发多大力、该让多少步。

柔顺特性

推手过招时，初学者总想“硬顶”，高手却懂得“跟随”——对方推来，自己不丢不顶，顺着来力退让半步，这叫“化劲”。机器臂如果只会硬顶，碰到硬物就是灾难；而 SEA 天生就带着“化劲”的本事，这是它与刚性传动最本质的区别。

这种本事在工程上叫柔顺性（compliance），用柔顺度 C 来刻画。刚度 k 与柔顺度 C 互为倒数：k 越大，弹簧越硬，越“顶得住”；k 越小，弹簧越软，越“让得动”。工程师在设计 SEA 时，选多大的 k，本质上是选择机器人对外界来力“顶”与“让”的比例。

SEA 的柔顺分两重。被动柔顺：弹簧物理存在，碰撞瞬间弹簧自动压缩、吸收冲击，完全不需要控制器参与——如同高手身体的自然反应。主动柔顺：控制器读取弹簧形变后，主动命令电机让位、跟踪期望的柔顺行为——如同高手有意为之的步法配合。两者叠加，使 SEA 拥有出色的抗冲击吸能表现：刚性传动碰撞时接触力瞬间飙升，而 SEA 碰撞时力被弹簧“削峰”，以温和的速率上升，既保护机器也保护人。

高手“让”得巧妙，才接得住重拳；SEA 弹簧“让”得恰当，才扛得住撞击。被动柔顺如肉体本能，主动柔顺如心灵算度，两者合一，才是完整的柔顺。

力控制策略

听劲、化劲最终都要落到“发劲”——高手要能在合适的时机，给对方恰到好处的力，多一分伤人，少一分无用。SEA 的力控制，追求的就是这种“恰到好处”的分寸感。

控制的目标很直白：让负载端的接触力精确跟踪期望力 F_d。由于弹簧形变能直接给出实测力 F_m = kΔx，力反馈信号无需额外力传感器即可获得，剩下的就是经典的闭环控制问题——用误差驱动补偿，让实际力咬住目标力。

工程中最常用的是 PI 控制器。设期望力 F_d，弹簧实测力 F_m = kΔx，误差 e = F_d − F_m。控制器输出补偿量 u(t)：比例项 K_p·e 针对当前误差快速反应，积分项 K_i∫e dt 把长期残留的稳态误差慢慢抹平。在此基础上，阻抗控制进一步把整个机械系统“装扮”成期望的弹簧-阻尼-质量模型，工程师调节惯性 M、阻尼 B、刚度 K 三个“虚拟参数”，就能决定机器人面对外力时是“硬”还是“软”。需要特别留意带宽约束：弹簧引入的机械低通特性使 SEA 力控带宽受限，高频精密力跟踪并非其强项，它真正擅长的是低频、大力矩、强交互的场景。

高手发劲讲究“分寸”，控制器送力讲究“闭环”。弹簧负责报告真实的力，比例与积分负责校准偏差，机器人终于能“温柔而准确”地发力了。

性能权衡

高手选弟子会看体型资质，工程师选弹簧则看“刚度”。弹簧太硬，像铁棍，一碰就震手；太软，像棉花，又使不上劲。刚度的选择，是 SEA 设计的第一道权衡题。

刚度直接牵动一对矛盾：带宽与力分辨率。k 大，弹簧-负载系统的固有频率高，力控带宽跟得紧、响应快；但位移传感器分辨率有限，微小形变对应的力步长也大，力分辨率变差。反之 k 小，力分辨率高、缓冲效果好，但带宽低，且同样的力需要更大的形变行程。工程师得像买鞋一样，反复试穿，才能找到“正好合脚”的 k 值。

除了刚度，SEA 的另一个法宝是能量存储。弹簧被压缩时把动能转化为弹性势能，需要时再释放出来——跑步落地时吸收冲击，蹬伸时回馈能量，这种“存力-放力”的节奏让机器人运动更省电、更平滑。更重要的是安全增益：由于接触力由弹簧形变上限约束，无论电机如何失控，负载端接触力都不会超过 k·Δx_max，这等于给机器人上了一道物理“保险丝”。

高手的功夫在于“刚柔并济”：该硬时硬，该软时软。SEA 的刚度选择同样是刚柔分寸的艺术，而那根既能存力又能限力的弹簧，就是机器人最忠诚的“保险丝”。

工程应用

练成太极功夫的高手不会只守在拳馆，SEA 这身“柔劲”也从实验室走向了救灾现场、康复病房与生产车间，在三个典型的舞台上大放异彩。

第一个舞台是仿人机器人。双足行走与奔跑时，着地冲击力可达体重的数倍，刚性关节会把冲击直接传给减速器与结构件，造成磨损甚至损坏。SEA 把着地能量收入弹簧，支撑期再释放助力，既保护了关节，又提高了运动能效。第二个舞台是康复外骨骼。患者的肌肉力量弱、发力不稳，刚性驱动器直接加力容易造成二次伤害；SEA 能感知患者细微的发力意图，提供“人主动、机随动”的柔和助力。第三个舞台是协作机械臂。打磨、抛光任务要求接触力恒定，刚性臂遇到工件不平整时接触力剧烈波动；SEA 让机械臂末端“有手感”，能贴合曲面而不是硬推硬压。

三个场景共享同一个安全原理：负载端的接触力被弹簧的最大形变封顶。无论负载被卡住、电机失控还是控制指令错误，只要弹簧行程有限，接触力就被约束在一个安全上限内。这是纯机械的、不依赖任何软件逻辑的“最后一道防线”——哪怕控制系统完全失效，弹簧依然在默默守护。

太极功夫走出拳馆，便成了守护他人的本领；SEA 的柔劲装进机器人，便成了守护人类的安全底线。这大概就是“柔能克刚”在工程世界最好的注脚。

设计要点

名师带徒讲究“站桩、听劲、发劲”的功夫梯度，SEA 设计同样有“选簧、配阻、抑振”三重心法。掌握这三步，才算是真正把弹簧这门功夫用明白了。

第一步选簧。依据负载质量、期望力矩峰值与力分辨率要求，确定合适的刚度 k 值。负载重、要求响应快，弹簧要偏硬；要求精细力控、缓冲充分，弹簧要偏软。第二步配阻。弹簧-负载天然是一个欠阻尼振荡系统，撞击后可能来回弹跳，需要机械阻尼器或控制算法中的阻尼项，把振荡能量一点点耗散掉。第三步抑振，这是压轴的绝活。

弹簧与负载构成经典的质量-弹簧系统，固有频率 ω_n = √(k/m)。如果电机或外界的激励频率恰好落在 ω_n 附近，系统就会发生谐振，弹簧越振越厉害，甚至“跳起来”。抑制手段有三：增大阻尼把谐振峰削平；调整刚度或质量把固有频率移走；增加状态反馈用控制器主动补阻尼。这就像荡秋千，若每次都在它荡回来的瞬间顺势再推一把，它会越荡越高；而阻尼就是那只总是“轻轻拽一下”的手，让秋千始终保持在可控的节奏里。

选簧如站桩，配阻如练劲，抑振如懂势。这三重心法齐备，太极高手便正式出师，SEA 设计师也就能交付一个安全、精准、耐用的柔顺关节。

AI 应用场景

Python 演示

import numpy as npimport matplotlib.pyplot as plt  def simulate_sea(k=200.0, m=2.0, b=5.0, dt=0.001, total=3.0, f_d=30.0):    """Simulate SEA load-side force step response.     The motor moves a spring which pushes a mass. The spring force is    F = k * (x_motor - x_load), and the mass acceleration is:    a = (F_spring - b * v) / m.    """    t_arr = np.arange(0, total, dt)    x_load = 0.0    v_load = 0.0    forces = []    for i in range(len(t_arr)):        # 电机位置: 0.5s 后阶跃到目标形变, 2.5s 后撤力        if t_arr[i] < 0.5:            x_motor = 0.0        elif t_arr[i] < 2.5:            x_motor = f_d / k        else:            x_motor = 0.0        dx = x_motor - x_load        f_spring = k * dx        a = (f_spring - b * v_load) / m        v_load += a * dt        x_load += v_load * dt        forces.append(f_spring)    return t_arr, np.array(forces)  if __name__ == "__main__":    t, f = simulate_sea()    plt.figure(figsize=(8, 4))    plt.plot(t, f, lw=2, color="#818CF8")    plt.axhline(30.0, ls="--", lw=1, color="#F43F5E")    plt.ylabel("spring force F (N)")    plt.xlabel("time t (s)")    plt.title("SEA force step response")    plt.grid(alpha=0.3)    plt.savefig("sea_response.png", dpi=120)    print("peak force:", round(f.max(), 2), "N")

1. x_motor = f_d / k根据目标力 30N 与刚度 200N/m，算出需要的弹簧形变 0.15m，这是力的“指令翻译”。
2. dx = x_motor - x_load实时计算弹簧两端位置差，即当前形变量，相当于太极师傅“听劲”的幅度。
3. f_spring = k * dx用胡克定律把形变换算成弹性力，这是 SEA 测力的核心换算。
4. a = (f_spring - b * v_load) / m应用牛顿第二定律，弹性力减去阻尼力后推动负载加速。
5. plt.axhline(30.0, ...)画一条期望力参考线，直观对比实际力是否跟踪到位。

常见误区

面试题