触觉与多模态感知：力控与阻抗控制

可视化演示

演示机器人阻抗控制原理：弹簧-阻尼系统建模、刚度/阻尼参数调节对力-位响应的影响、以及柔顺接触交互过程。

力控基础概念

你第一次推那扇弹簧门时，手掌会先贴上去感受一下：门是沉沉的重木门，还是轻飘飘的玻璃门？触觉给大脑传递“阻力有多强、表面多硬”的信息。机器人的力控，就是给机械臂装上类似的“手掌感官”——让它不再盲目地按预设轨迹挥动，而是随时感知指尖传来的接触力。

传统机器人只会“位置控制”：说好走到哪就走到哪，哪怕前方是脆弱的工件也照撞不误。力控则把目标从“位置”换成“力”：机械臂悬停在空中时，传感器测到接触力大了，就轻轻后退；力不够，就缓慢推进。这个闭环中，力传感器相当于门的“触觉神经”，控制器相当于门轴的“肌肉反应”，二者配合才构成完整的力觉系统。

力控的第一个技术细节是传感器标定。六维力/力矩传感器输出的原始电压值必须经过零偏去除和矩阵标定，才能换算成真实的牛顿力。其线性模型可写成测量值等于标定系数乘电压偏移。在此基础上，工程师还需要区分“自由空间接触力”与“重力/惯性力”，否则机械臂自身的重量会被误判为外部负载。

回到弹簧门：门框上那根弹簧的松紧，决定了你推门时的“手感”。力控中，刚度与柔顺是一对孪生概念——刚度描述抵抗变形的能力，柔顺描述顺从外力而变形的能力。有了这两种能力，机械臂才能像老练的管家帮你扶门一样：既挡得住风雨，又不会夹到客人的手。

阻抗控制原理

弹簧门的秘密藏在铰链里：一根弹簧加一个阻尼器。你推得快，阻尼器就会“拖后腿”让门开得平稳；你推得重，弹簧压缩量大，门就开得大；松手后，弹簧又把门拉回原位。这种“力与运动之间的关系”，就是阻抗控制的思想源头——机器人不再是僵硬的位置跟随者，而是一个动态的“质量-弹簧-阻尼”系统。

阻抗控制的精髓，在于不直接控制力或位置，而是刻意设定一个“力-位置动态关系”：当外界环境推机器人时，机器人表现出预设的柔顺特性；当机器人主动推环境时，接触力又按期望的规律增长。控制目标如弹簧门的手感一样，由三个参数决定：质量 M、阻尼 B、刚度 K。

$$\displaystyle F_e = M_d(\ddot{x}_d-\ddot{x}) + B_d(\dot{x}_d-\dot{x}) + K_d(x_d-x)$$

1. 偏差的定义：期望轨迹与实际轨迹的差，是所有力反应的起点

$$e = x_d - x$$

2. 刚度项：位置偏差乘刚度系数，相当于弹簧被压缩的距离越大力越大

$$K_d e$$

3. 阻尼项：速度偏差乘阻尼系数，像阻尼器一样阻止快速变化

$$B_d \dot{e}$$

4. 惯性项：加速度偏差乘质量，体现机器人抵抗状态突变的“惯性脾气”

$$M_d \ddot{e}$$

5. 合成：三股力量叠加，恰好等于机器人感受到的接触力

$$F_e = M_d \ddot{e} + B_d \dot{e} + K_d e$$

回到弹簧门。你推门时感受到的回弹力，正是弹簧的刚度项；你猛地一推，门却不会弹伤你，靠的是阻尼项缓冲；门本身的沉重感，则是质量项。阻抗控制让机械臂拥有了同一套“生活方式”——面对外力时先柔顺地让开，再按参数设定的性格把力回馈给环境。

力位混合控制

有时推弹簧门不止一个动作：你想让门开到某个角度，又不想让门扇撞到身后的小朋友。这时候一只手推门板控制角度，另一只手轻轻扶着门框控制力度——两个动作同时进行，互不干扰。力位混合控制干的就是这件事：让机器人在某些方向严格跟踪位置，在另一些方向严格遵守力的大小。

为什么不能全程都用阻抗控制？因为有些任务（如插孔装配）要求水平方向精确到位、垂直方向只许用恒定压力。阻抗控制把力与位置耦合在一起，难以分别满足两个方向截然不同的要求。于是工程师引入了“选择矩阵”：把任务空间拆成两个正交子空间，一个归力控管，一个归位控管。

$$\displaystyle \tau = S\, J^T F_{\text{cmd}} + (I-S)\, K_p\, (x_d - x)$$

1. 选择矩阵：对角线元素为 0 或 1，指明每个自由度归谁管

$$S = \mathrm{diag}(s_1, s_2, \ldots, s_n), \quad s_i \in \{0,1\}$$

2. 力控通道：选中方向上的期望力经过雅可比变换，折算成关节力矩

$$\tau_{\text{force}} = S\, J^T F_{\text{cmd}}$$

3. 位控通道：未选中方向用位置偏差比例控制，保证轨迹精度

$$\tau_{\text{pos}} = (I-S)\, K_p\, (x_d - x)$$

4. 合成：两个通道的力矩相加，实现同一条机械臂上的“左手扶门、右手推门”

$$\tau = \tau_{\text{force}} + \tau_{\text{pos}}$$

力位混合看似简单，难点在切换策略：装配任务中，机械臂先快速接近（位控），接触后立刻切到力控；而打磨任务则始终在法线方向用力控、切向方向用位控。这就像你先用力推开门，再稳稳扶住门让它慢慢回弹——每个时刻都要选择最合适的那只手。

力估计与零力控制

如果门铰链上没有弹簧，你还能感觉到门的阻力吗？当然能——手会从门扇的移动速度和门缝的挤压力判断出来。同样，机器人的关节电流里就藏着力信息：电机出力越大，电流越大；位置偏差越大，说明外部推力越大。这就是“无传感器力估计”的朴素逻辑。

直接使用昂贵的六维力传感器会增加成本和故障点，工业界常用“电流+动力学模型”估算法：通过机器人动力学方程算出期望力矩，再与实际驱动电流换算的力矩比较，差值就近似为外部接触力矩。这种估计就像你看门轴转动的滞涩感，判断有人在推门——不需要装额外的“推力计”。

零力控制是力估计的重要应用：机械臂处于失重般的悬浮状态，人手轻轻一推，它就顺着你的力道运动，这叫“拖动示教”。原理上，控制器不断估计外部接触力，再生成与之相反的补偿力矩，抵消重力和摩擦力，让机械臂“漂浮”起来。工程师还需要处理奇异构型——某些关节角度下雅可比矩阵退化，力估计会失效或爆炸，必须提前规避或切换算法。

门的比喻依然有效：零力控制相当于给门上了“失重弹簧”，你一根手指就能拨动沉重的铁门；奇异构型则像门轴卡死时不能硬掰，得换个角度再推。有了这些技术，机器人才能被工人当成“同事”而不是“铁疙瘩”。

性能指标与整定

一扇好弹簧门的手感怎么评价？有人喜欢回弹干脆，有人喜欢缓慢柔和，但所有人都讨厌门在风中疯狂摆动。机器人的阻抗控制手感，同样需要用性能指标来量化：动态刚度、跟踪精度、稳定裕度、阻尼比，缺一不可。

动态刚度描述“接触力变化时位移如何响应”，等价于阻抗方程中刚度 K 与环境刚度 Ke 的串联效果；跟踪精度则是实际力与期望力的偏差均值，偏差越小手感越“听话”；稳定裕度则关乎安全——参数选得不合适，机械臂会像失控的门一样振荡甚至弹飞。整定参数时，工程师常借助两个核心指标：

$$\displaystyle C = \frac{\Delta x}{\Delta F} = \frac{1}{K_d + K_e}, \qquad \zeta = \frac{B_d}{2\sqrt{M_d K_d}}$$

1. 柔顺性：位移变化量与力变化量之比，直观反映“推得动、沉得住”

$$C = \frac{\Delta x}{\Delta F}$$

2. 串联刚度：控制器刚度和环境刚度像两个串联弹簧，总刚度取更弱的那一方

$$C = \frac{1}{K_d + K_e}$$

3. 阻尼比：用阻尼、质量、刚度三个参数合成一个无量纲数，判断振荡倾向

$$\zeta = \frac{B_d}{2\sqrt{M_d K_d}}$$

调参时有个反直觉规律：为了追求“柔顺”，有人把 K 设得极小，结果机械臂轻飘飘地压不住工件；有人把 B 设得很大，结果动作缓慢如蜗牛。好手感来自平衡——就像调弹簧门的液压杆：太紧推不动，太松会回弹砸人，必须根据门重和用途反复试配。

典型应用场景

弹簧门在不同场合有不同使命：商场的门要轻快，医院的防辐射门要沉稳，家里的门要防夹手。机器人的力控与阻抗控制，也因场景差异演化出多种形态。

精密装配是力位混合控制的主场。传统位置控制将销钉插入孔中，稍微错位就会卡死甚至崩断；引入力控后，机械臂在插入方向监测接触力，一旦超过阈值就轻微调整姿态，像人手摸索着戴手套一样“边感觉边插”。汽车变速箱齿轮装配、手机摄像头模组压合，都靠这一招把成功率从“碰运气”提升到99%以上。

表面打磨与抛光要求恒力接触。工件形状有误差，机器人若死守轨迹就会一会儿压太紧一会儿压太松。阻抗控制让磨头像贴在墙上的抹布——墙面高低起伏，磨头顺势起伏，法向压力始终稳定，表面光洁度大幅提升。康复外骨骼则是变阻抗的经典：患者肌肉有力时，外骨骼减小阻尼让患者自主发力；患者疲劳时，外骨骼增加辅助力，像一位懂得“放手与托举”的康复师。

人机协作场景最考验柔顺性。协作机械臂在搬运重物时，人类轻轻一推，它立刻顺从让位；检测到撞击时，它能在几毫秒内退缩停止——这正是阻抗控制“力-位置动态关系”带来的安全本能。弹簧门教会我们的道理，在这里变成了保护血肉之躯的防线。

智能优化策略

普通的弹簧门在出厂时就固定了阻尼，但聪明的门会学习：白天风力大时自动调紧，老人通过时自动调松。传统阻抗控制参数固定，面对复杂多变的工况常常力不从心——于是工程师开始让机器人“自己调弹簧”。

变阻抗控制是第一步：刚度与阻尼不再一成不变，而是根据任务阶段实时调整。例如装配开始时提高阻尼防止碰撞振荡，插入过程中降低刚度让机械臂顺从孔壁引导，插入到底再加大刚度稳定保持。这种像“智能门”一样的参数切换，显著提升了复杂任务的鲁棒性。

更进一步的学习柔顺，则是用强化学习或示教学习，从多次尝试中自动寻找最优阻抗参数组合。机器人每次失败，就像人推门时被夹了手，下次会调整推门的角度和速度。算法将“接触力超限”作为负回报、“装配成功”作为正回报，逐步逼近最优的 K 和 B。力位关联策略则让两个方向的控制互相配合——法线的刚度影响切线的摩擦阻力，切线的位置误差又反过来影响法线的接触深度，形成多维感知闭环。

回到门的故事：从固定弹簧门到液压自动门，再到能识别行人步伐的智能门——阻抗控制的进化路径，正是让机器人在“刚”与“柔”之间找到最优平衡点的过程。这门手艺，将来会铺满每一间需要与人类触摸的工厂车间。

---

AI 应用场景

Python 演示

import math class SpringDamper:    """阻抗控制的机械模型：质量-弹簧-阻尼二阶系统"""    def __init__(self, mass, stiffness, damping):        self.mass = mass        self.stiffness = stiffness        self.damping = damping        self.pos = 0.0        self.vel = 0.0     def step(self, external_force, dt):        acceleration = (external_force - self.damping * self.vel                        - self.stiffness * self.pos) / self.mass        self.vel += acceleration * dt        self.pos += self.vel * dt        return self.pos  class ForceController:    """PI 力控制器：把力误差转换为期望力指令"""    def __init__(self, kp, ki):        self.kp = kp        self.ki = ki        self.integral = 0.0     def update(self, target_force, measured_force, dt):        error = target_force - measured_force        self.integral += error * dt        return self.kp * error + self.ki * self.integral  def simulate(env_stiffness=300.0, kp=0.02, ki=0.06,             duration=4.0, dt=0.001):    robot = SpringDamper(mass=5.0, stiffness=20.0, damping=15.0)    controller = ForceController(kp, ki)    target = 5.0    t, times, forces = 0.0, [], []    while t < duration:        contact_force = max(0.0, env_stiffness * robot.pos)        command = controller.update(target, contact_force, dt)        robot.step(command, dt)        t += dt        if int(t * 1000) % 50 == 0:            times.append(t)            forces.append(contact_force)    return times, forces  if __name__ == "__main__":    times, forces = simulate()    print("time(s)  force(N)")    for t, f in zip(times[::10], forces[::10]):        print(f"{t:.2f}     {f:.2f}")    print(f"稳态平均力: {sum(forces[-50:]) / 50:.2f} N (目标 5.00 N)")

1. class SpringDamper:定义阻抗模型，相当于给机器人装上“弹簧门性格”：位置受外力、阻尼、刚度共同影响
2. acceleration = (external_force - self.damping * self.vel ...正是阻抗方程的核心：净力除以质量得到加速度
3. class ForceController:PI 力控制器，负责把“当前力与目标力的差距”换算成下一步推门的力度
4. contact_force = max(0.0, env_stiffness * robot.pos)接触力 = 环境刚度 × 压入深度，模拟手指按在门上的反作用力
5. command = controller.update(target, contact_force, dt)力控制器发出期望力指令，形成闭环
6. print(f"稳态平均力: ...")输出验证：力控最终稳定在目标值附近

常见误区

面试题