机器人控制：力控

可视化演示

展示哈希函数的雪崩效应：输入仅改变一个字符，输出哈希值产生剧烈变化，体现单向性和抗碰撞性。

力控概念

回想接鸡蛋的瞬间：当蛋壳触到掌心，你并不会把拳头固定在一个坐标上——手掌感受到冲击力，顺着力微微回撤，待速度降下来再轻轻合拢。这份“感受到力、顺着力调整”的本领，就是你与生俱来的力控。

机器人力控（Force Control）正是把这份本领数字化：在机器人末端安装力/力矩传感器，实时测量接触力；控制器根据期望力与实际力的偏差，动态调整末端运动，使接触力稳定在目标值。与之相对，传统“位置控制”只关心“到哪里”，环境中的不确定性对它而言如同盲区——就像绷紧手臂去接鸡蛋，结果可想而知。

机器人与工件接触时，接触力可近似建模为一根弹簧：末端压入表面越深，反力越大。纯位置控制下，指令位置一旦越过接触面，压深持续增加，接触力便无界增长，最终损坏工件。力控则将“力”从被动承受变为主动调节，让机器人既“贴得住”又“压不坏”。

回到接鸡蛋的比喻：掌心后退的幅度就是 δ，蛋壳传来的压力就是 F，而你手腕的柔韧程度就是可变的“接触刚度”。力控要做的，正是让掌心永远以恰到好处的力气托住蛋——不多一分，不少一毫。

力觉感知

接住鸡蛋的前提是掌心“感受得到”蛋壳的触碰。如果手掌没有神经，再灵活的手腕也只是一根木棍。力控的第一步，同样是为机器人装上“触觉神经”——力觉感知。

工业中常用的感知器件是六维力传感器，装在机器人手腕处，可同时测量三个方向的力（Fx、Fy、Fz）和三个方向的力矩（Mx、My、Mz）。它的核心是应变片：当感受到外力时，传感器内部的金属弹性体发生微小形变，贴在表面的应变片电阻随之变化，通过惠斯通电桥把电阻变化转换为电压信号输出。

$$V_{\text{out}} = \frac{V_{\text{ex}} \times \Delta R}{4R}$$

1. 输出电压 V_out：传感器给控制器读到的电信号，经过放大和模数转换后变成“力数值”。

$$V_{\text{out}}$$

2. 激励电压 V_ex：给电桥供电的恒定电压，相当于传感器的“能量来源”。

$$V_{\text{ex}}$$

3. 电阻变化量 ΔR：应变片受力拉伸或压缩时电阻的改变量，是感知形变的核心信号。

$$\Delta R$$

4. 桥臂电阻 4R：惠斯通电桥四个桥臂的总电阻值，起到分压和放大微变信号的作用。

$$4R$$

除了腕部六维力传感器，还有一类关节力矩传感器，嵌入机器人每个关节内部，直接感知关节扭矩——相当于让机器人的“肌肉”也有了感觉。获得的力信号还需经过滤波去除高频噪声、标定消除温漂和零偏，才能交给控制算法使用，正如你的大脑会过滤无关触觉、专注判断蛋壳的压力。

阻抗控制

接鸡蛋时，你的手并非完全僵硬，也不是完全无力，而是呈现一种“你推它就让、你松它就跟”的柔顺特性。这种特性可以用一个简单的物理模型描述：弹簧加阻尼。

阻抗控制（Impedance Control）正是借用这个模型，把机器人的力-位关系规划成用户期望的“弹簧-阻尼”动态行为。当外部接触力作用时，机器人不直接对抗，而是按照设定的惯性、阻尼、刚度参数“优雅地让位”。位置的偏差越大，产生的回复力越大；速度越快，阻尼力也越大——就像被压缩的弹簧推回原位，同时被阻尼器消耗掉振荡能量。

$$\displaystyle M_d \Delta \ddot{x} + B_d \Delta \dot{x} + K_d \Delta x = F_{\text{ext}}$$

1. 期望惯性 M_d：虚拟质量，决定机器人对外力的“迟钝”程度——M_d 越大，遇到冲击越不敏感，但响应也越慢。

$$M_d$$

2. 加速度偏差 Δẍ：实际加速度与参考加速度之差，惯性项的输入信号。

$$\Delta \ddot{x}$$

3. 期望阻尼 B_d：虚拟阻尼器，消耗振动能量。B_d 偏小容易振荡，就像接鸡蛋时手腕发颤。

$$B_d$$

4. 速度偏差 Δẋ：实际速度与参考速度之差，阻尼项的输入信号。

$$\Delta \dot{x}$$

5. 期望刚度 K_d：虚拟弹簧刚度，决定“位置偏差产生多大的回复力”，是柔顺性的核心调节旋钮。

$$K_d$$

6. 外部接触力 F_ext：力传感器测到的环境作用力，是方程的“输入”，驱动整个阻抗行为。

$$F_{\text{ext}}$$

合理调节三个参数，机器人就能呈现“顺滑接住鸡蛋”的动态品质：接触时微微让位（低刚度），随后稳稳定住（中等阻尼），整个过程如行云流水。这就是阻抗控制被称为“力柔顺调节”的原因——它不直接控力，而是通过塑造力与位置的关系来间接达到理想接触。

力位混合控制

接鸡蛋时，你的手既在“让”也在“接”：竖直方向配合蛋的冲击做柔顺退让，而水平方向却稳稳地对准目标位置。这说明一个问题——同一个任务里，不同方向可能需要不同的控制策略。

力位混合控制（Hybrid Force/Position Control）正是基于这一洞察：把任务空间按方向分解，某些方向用力控，某些方向用位控，各司其职。比如打磨一个平面：垂直于表面的方向要恒定压力（力控），平行于表面的方向要保持扫掠轨迹（位控）。这正是力位混合控制的核心思想。实现中引入一个对角选择矩阵 S，对角线元素为 1 的方向走力控，为 0 的方向走位控。

力位混合控制好比给机器人的每个运动方向“贴标签”：贴着“力”的轴像海绵，贴着“位”的轴像标尺。装配时，插入轴方向用力控防止卡死，垂直于插入面的方向用位控保证对位——鸡蛋既没被捏碎，也没从手心滑落。

导纳控制

接鸡蛋还有一种常见的方式：你的眼睛并没有去精算手臂的每个坐标，而是依据掌心传来的压力信号，主动决定手臂“应该回退多少”。先测力，再产生位置修正——这正是导纳控制（Admittance Control）的逻辑链。

导纳控制天生适合“位置控制型”机器人：这类机器人有自己的高精度位置伺服内环，但它听不懂“力”的概念。导纳控制就像一个翻译官，在位置内环外面套一个力外环：力传感器测得接触力 F_ext，经过导纳模型换算成一个位置修正量 Δx，命令位置环往这个修正量方向运动。于是机器人表现出的外观行为和阻抗控制一样柔顺，但内部架构完全相反。

导纳控制像一位温柔的引导者：你推它，它顺着你的力道走；你停，它也停。工业协作机器人大多采用这种架构，因为其底层位置环成熟稳定、易于部署。选择阻抗还是导纳，本质上是看机器人本体的“底子”——有力矩控制的用阻抗，有位置环的用导纳。

典型应用

如果说前面的章节是教你“怎么接住鸡蛋”，那这一节就是问你“学会接鸡蛋能干什么”。答案远比想象中广阔——凡是需要机器人接触物体并控制力量的场景，都是力控的舞台。

精密装配是最典型的应用。手机摄像头模组、汽车发动机活塞、微型轴承的轴孔配合，间隙常以微米计。纯位置控制如同闭眼插充电线，永远怼不进；力控则像盲人用手感知钥匙孔的位置——轻轻试探、感受阻力、顺势滑入，装配成功率大幅提升。

表面抛光则体现了力控“恒力”的价值：抛光质量与接触压力直接相关，手艺人凭手感保证砂轮压力恒定，力控机器人通过阻抗控制把压力波动控制在 ±0.5N 以内，效果比人手更稳定。

$$h = k_p \times F_p \times v \times t$$

1. 去除深度 h：材料被磨掉的厚度，单位微米——抛光质量的核心指标。

$$h$$

2. Preston 系数 k_p：由磨料和工件材料决定的经验常数，反映材料去除的难易程度。

$$k_p$$

3. 抛光接触力 F_p：磨头压在工件表面的力，是力控系统要精确维持的变量。

$$F_p$$

4. 相对速度 v：磨头相对工件的运动速度，通常恒定。

$$v$$

5. 作用时间 t：磨头与工件某点接触的持续时间。

$$t$$

人机协作是另一个快速增长的方向：协作机器人内置关节力矩传感器，当人碰到它时，导纳控制让它立刻“顺着力让开”，而不是僵硬地对抗。工人们可以像教同事一样，直接用手推着机器人示范动作——力控让机器不再冰冷，而是变成了有“手感”的伙伴。

未来趋势

想象一下，如果接鸡蛋的本领不是天生就有，而是要通过一次次摔碎鸡蛋来学习，那我们的童年该有多么狼藉。今天的人类婴儿确有大量练习机会，但工业机器人可没有“摔碎几百个工件”的奢侈代价。

学习型力控（Learning-based Force Control）正是为解决这个矛盾而兴起的趋势。强化学习让机器人像婴儿一样，在与环境的互动试错中自动发现最优的柔顺策略：哪里该硬、哪里该软、接触力该多大，全部由奖励函数引导学习出来，而不是依赖工程师手工调参。这个过程可以表示为对阻抗参数的迭代更新。

$$\displaystyle \Delta K = \alpha \times \nabla_K J(\tau)$$

1. 参数更新量 ΔK：每次学习迭代对阻抗刚度/阻尼参数的修正大小。

$$\Delta K$$

2. 学习率 α：控制参数更新的步长——太大容易震荡，太小收敛缓慢。

$$\alpha$$

3. 梯度算子 ∇_K：对参数 K 求偏导，指示“往哪个方向调整能提升性能”。

$$\nabla_K$$

4. 性能指标 J(τ)：轨迹 τ 上的任务得分，如装配成功与否、接触力偏差的累积惩罚。

$$J(\tau)$$

与此同时，具身智能的浪潮正在把力控与视觉感知、大语言模型深度融合：机器人看一眼零件，就能像老工匠一样规划出合适的接触力策略；遇到从未见过的物体，也能靠学习过的力控基础技能“摸着石头过河”。人类的接蛋本领靠了几百万年进化，而智能机器人的力控能力，正在以几个月一代的速度野蛮生长。

AI 应用场景

Python 演示

"""一维力控仿真：对比纯位置控制与力控的接触力行为"""  class ContactSim:    """末端接触一维仿真器"""     def __init__(self, contact_stiff=800.0, surface=0.02, f_des=5.0):        self.kc = contact_stiff    # 接触刚度(N/m)        self.surface = surface     # 接触面位置(m)        self.f_des = f_des         # 期望接触力(N)     def force(self, pos):        """由侵入深度计算接触力"""        if pos > self.surface:            return self.kc * (pos - self.surface)        return 0.0     def run_position(self, ref=0.05, steps=800):        """纯位置控制：参考位置持续下压，接触力不受控"""        pos = 0.0        out = []        for i in range(steps):            pos += (ref - pos) * 0.02            out.append((i * 0.001, pos, self.force(pos)))        return out     def run_force_ctrl(self, ref=0.05, steps=4000):        """力控：力偏大则回退，力偏小则前探，钳制在期望力"""        pos = 0.0        out = []        for i in range(steps):            f = self.force(pos)            pos += 0.1 * (self.f_des - f) * 0.001            out.append((i * 0.001, pos, f))        return out  def main():    sim = ContactSim()    print("==== 纯位置控制：接触力无限攀升 ====")    for t, p, f in sim.run_position()[::100]:        print(f"t={t:.2f}s 位置={p:.4f}m 接触力={f:6.2f}N")    print("==== 力控：接触力收敛到期望值 5N ====")    for t, p, f in sim.run_force_ctrl()[::800]:        print(f"t={t:.2f}s 位置={p:.4f}m 接触力={f:6.2f}N")  if __name__ == "__main__":    main()

1. self.kc = contact_stiff定义接触刚度，模拟末端与表面的“硬碰硬”程度，刚度越大同样压下深度产生的力越大。
2. def force(self, pos)根据侵入深度计算接触力，侵入深度为正时才产生接触力，这是接触仿真的核心物理模型。
3. pos += (ref - pos) * 0.02纯位置控制的位置伺服更新：强力向参考位置逼近，完全不考虑接触力反馈。
4. f = self.force(pos)力控模式下先测量当前接触力，相当于读取力传感器数据。
5. pos += 0.1 * (self.f_des - f) * 0.001力控核心逻辑：力小于期望值就前探，力大于期望值就回退，像接鸡蛋时手掌的自动调节。
6. sim.run_position()[::100]每 100 步打印一次位置与力，方便观察位置控制力的失控过程。
7. sim.run_force_ctrl()[::800]力控仿真每 800 步打印一次，展示接触力最终稳定在 5N 附近。

常见误区

面试题