滑移检测与抓取调整：像捧豆腐一样学会“轻拿轻放”

CH-31-06-024·约 19 分钟·机器人学与自动化·更新 2026-08-13

周末下午，你从菜市场买回一块刚切好的嫩豆腐，小心翼翼地捧在掌心。你没有用力捏它，也没有任凭它晃动，而是让指尖轻轻搭在豆腐两侧，随时感受它有没有“滑出去的苗头”。一旦指尖传来一丝若有若无的滑溜感，你会在几十毫秒内微微收紧手指；等它稳住，你又松开到恰到好处的力道——太松会掉，太紧会碎。这套动作对人类来说毫不费力，对机器人却是满满的功课：它需要“指尖神经末梢”（触觉传感器）感知滑移，需要“脊髓反射”（特征提取与控制算法）快速响应，还需要“大脑决策”（阻抗控制与力反馈策略）决定如何用力。从感知到决策再到执行，这条完整链路正是“滑移检测与抓取调整”要解决的问题——让机械手在搬运易碎品时，也能像你的手捧豆腐一样，既稳又柔。

岗位关联

对 AI 从业者而言，理解滑移检测与抓取调整是机器人触觉智能落地的关键一步。它直接决定了机械臂在物流分拣、精密装配、医疗护理等真实场景中的可靠性与安全性，是从仿真走向实物部署绕不开的工程能力。

可视化演示
滑移物理机理
触觉传感阵列
滑移特征提取
阻抗控制策略
抓取力动态调整
闭环控制实践
多模态融合感知
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示触觉滑移检测信号处理、柔顺控制力调整及混合控制响应策略，交互切换理解滑移检测核心原理。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.detect.caption+'

滑移物理机理

你捧豆腐时，最先感受到的不是“豆腐掉了”，而是指尖传来一阵淡淡的“滑溜感”——物体还没有真正掉落，但接触面上已经发生了微小的相对滑动。这种“滑移前兆”，正是机器人抓取中最需要抓住的信号。

在机器人的夹爪中，被夹持物体与手指表面之间存在两种力：法向力垂直压紧接触面，切向力平行于接触面、试图让物体滑动。当切向力超过接触面能提供的最大静摩擦力时，物体就会开始滑移。描述这一临界状态的经典模型是库仑摩擦准则：

工程上真正麻烦的是：物体并非“啪”地一下突然掉落，而是先经历“微滑移前兆”——接触面边缘先发生局部滑动，并激发出 50～500 Hz 的高频振动。触觉传感器正是通过捕捉这些微小振动来提前预判滑移，而不是等物体完全脱离才反应。与此同时，物体重量变化、夹爪姿态调整都会引起法向力改变，进一步影响临界滑移点。

这就像你捧豆腐时，并不是等它掉下去才去抢救，而是在它刚出现“滑溜感”的那一瞬间就察觉到了危机。滑移检测要抓的，正是这个预兆。

\displaystyle \tau_{\text{slip}} = \mu_s F_N

这个公式告诉你：物体“撑得住”的极限，等于手指压紧力（法向力）乘以接触材料的“粗糙程度”（静摩擦系数）。

τ_slip（临界切向力）物体刚好要开始滑动时接触面上的切向力大小。实际切向力一旦超过它，物体就会滑移。
$\tau_{\text{slip}}$
μ_s（静摩擦系数）由接触面材料决定的常数，衡量“多不容易打滑”。豆腐与橡胶的摩擦系数小，砂纸与橡胶的摩擦系数大。
$\mu_s$
F_N（法向力）手指垂直压向物体表面的力。捏得越紧，法向力越大，能抵抗的滑移趋势也越强。
$F_N$

触觉传感阵列

如果人的指尖没有神经末梢，再敏捷的大脑也无法感知豆腐在滑动。机器人的“指尖神经”，就是覆盖在夹爪表面的触觉传感阵列——成百上千个微小的传感单元，像一片电子皮肤，将接触压力、振动、温度等物理量转换成电信号。

最常用的一类是压阻式触觉传感器。它的核心材料在受力变形时电阻会发生变化——就像一条橡皮筋被拉长后变细、电阻变大一样。其工作原理可以简洁地写成：

除了压阻式，电容式触觉传感器通过极板间距变化来改变电容值，适合测量法向压力；多维力传感器（比如六维力/力矩传感器）则能同时感知法向力和切向力，为滑移检测提供更完整的力学信息。这些传感单元在夹爪上排列成阵列，每一小格独立输出信号，相当于指尖皮肤上每一个神经末梢都在独立工作。

阵列式触觉传感器最大的好处是“哪里滑，哪里就有响应”——再细小的局部滑移，也能被对应位置的传感单元捕捉，不会因为“平均化”而漏掉危险信号。

\displaystyle R = R_0 (1 + k\varepsilon)

公式的含义是：传感器受到的“形变”越大，电阻相对初始值的变化就越明显，控制器便能从电阻变化中反推出压力大小。

R_0（初始电阻）传感器未受力时本身的阻值，像弹簧未压缩时的自然长度。
$R_0$
k（灵敏度系数）压阻材料的固有属性，衡量“同样程度的形变会引起多大的电阻变化”。
$k$
ε（应变）传感器表面的形变程度。手指压得越紧，应变越大，电阻变化越明显。
$\varepsilon$

滑移特征提取

指尖传来的几百路信号若不处理，只是一堆“没头没尾的杂音”。人的脊髓在低级神经中枢就会做一次预筛选，把“危险信号”优先放大。机器人的“脊髓反射”，正是滑移特征提取算法。

从触觉传感器获得的原始信号中，需要提取与滑移相关性最强的特征。最直观的做法的时域分析：滑移发生时，信号会剧烈波动，方差显著增大。用一段滑动窗口内的能量来刻画这种波动：

在频域上，滑移通常伴随高频分量，可以用带通滤波器提取滑动引起的振动成分，再计算频谱能量。特征提取的结果既可以输入阈值判断器，也可以交给分类器做“滑动/不滑动”的判别，输出一个滑移概率。

特征提取的本质，是在杂音里听懂警报声。你端起豆腐时，身后马路的喇叭、风声、手机震动都打扰不了你，因为你只关注指尖那一点“滑动感”——特征提取就是教会机器人做同样的聚焦。

\displaystyle E_{\text{slip}} = \int_{t-T}^{t} |s(\tau)|^2 \, d\tau

这个积分计算的是“最近一段时间内触觉信号抖动了多少”。抖动越剧烈，能量越大，滑移的概率就越高。

s(τ)随时间变化的触觉信号，比如振动幅值或切向力分量。
$s(\tau)$
T（积分窗口）时间窗口长度，通常取最近 10～20 毫秒的数据，保证既灵敏又稳定。
$T$
|s(τ)|²（信号能量密度）对信号取平方是为了放大大幅值的振动尖峰，让滑移引起的波动更突出。
$|s(\tau)|^2$
E_slip（滑移能量）窗口内累积的能量值，超过预先标定的阈值就认为有滑移趋势。
$E_{\text{slip}}$

阻抗控制策略

感知到滑移之后，机械手不能简单地“用力猛捏”——那会把豆腐捏碎。这里的诀窍是“顺从”：像手捧鸡蛋那样，让手指保持一定的弹性，允许物体在手中轻微移动，同时自动形成适当的回中力。这种既不放任、又不硬顶的“手感管理”，在机器人学中叫阻抗控制。

阻抗控制不直接指定力或位置，而是控制“力与位置之间的动态关系”。它把机械手末端等效成一个质量-弹簧-阻尼系统：

当物体开始滑移时，会对手指施加一个外部作用力，阻抗控制系统随即产生相应的误差动态。通过调节 M_d、B_d、K_d 三个“手感参数”，夹爪可以表现出期望的柔顺行为——物体滑一点就轻轻推回去，既不硬碰硬地捏碎物体，也不松垮垮地放跑它。

你两根手指轻触豆腐时，其实就是不自觉地进行了“低刚度、适中阻尼”的阻抗控制——给豆腐一点活动余量，却又不让它脱离掌控。阻抗控制所做的，就是把这种天赋变成可复现的算法。

\displaystyle M_d \ddot{e} + B_d \dot{e} + K_d e = F_{\text{ext}}

这个等式刻画了末端被外力推动时，会像弹簧振子一样回到期望位置。调节三个系数，就能塑造出“像棉花一样软”或“像钢板一样硬”的手感。

e（位置误差）实际位置与期望位置的偏差。物体下滑时，接触点偏离期望位置，误差为正。
$e$
\dot{e}（误差变化率）误差随时间的变化速度，反映“物体当前滑得多快”。
$\dot{e}$
\ddot{e}（误差加速度）误差的变化加速度，反映滑移趋势的增减快慢。
$\ddot{e}$
M_d（目标惯性）期望的系统“重量感”。M_d 越小，手指越轻灵，响应越快。
$M_d$
B_d（目标阻尼）期望的“粘滞感”。B_d 越大，手指越不愿突然移动，越能吸收冲击。
$B_d$
K_d（目标刚度）期望的“硬度”。K_d 越大，系统越容易把误差拉回零点，相当于手臂越用力顶住。
$K_d$
F_ext（外部作用力）物体对指尖施加的力，即滑移过程中物体“推”手指的力。
$F_{\text{ext}}$

抓取力动态调整

当滑移特征被检测到后，控制器要回答一个关键问题：“再加多少力？”这就是抓取力动态调整的战场。它的本质是对滑移的反馈控制：滑移越明显，补上的力就越大。

一个直观的控制律是比例-微分（PD）调节：拿滑移指标当作“误差”，滑移量决定补力的“主力”，滑移变化率则负责“踩刹车”，防止用力过猛。写成公式：

实际工程中的做法一般分三步：预抓取时先施加一个略大于握持所需的最小力，保留安全余量；滑移被检测到时，按 PD 律快速增加抓取力；滑移平息后，再逐渐把力回退到安全区间的下限，避免长时间紧握损伤物体。整个过程强调“动态”二字，而不是一个恒定的输出。

捧豆腐的手感就是这样：一感觉滑，就再捏紧一点点。这个“一点”的大小，就是 k_p 和 k_d 反复调试出来的结果——调得好，动作轻巧；调不好，豆腐不是滑出去，就是碎成渣。

\displaystyle \Delta F = k_p e_s + k_d \dot{e}_s

这个公式说的是：本次需要额外施加的力 = 比例增益 × 当前滑移量 + 微分增益 × 滑移变化速度。

ΔF（抓取力增量）本次需要额外施加的夹持力，叠加到当前抓取力上。
$\Delta F$
e_s（滑移指标）滑移特征的量化值，如滑移速度或滑移能量。e_s 越大说明滑得越厉害。
$e_s$
\dot{e}_s（滑移变化率）滑移指标的增减速度，反映滑移是在加剧还是平息。
$\dot{e}_s$
k_p（比例增益）决定“每滑移一个单位要补多少力”。k_p 太小反应迟钝，太大会发抖甚至捏碎物体。
$k_p$
k_d（微分增益）抑制滑移突变的作用项，让力的调节更平滑，避免输出过冲。
$k_d$

闭环控制实践

再聪明的控制策略，最终都要落到“定时感知—实时决策—及时执行”的节拍上。你捧豆腐时，大脑其实在以极小的周期不断刷新“有没有滑”的判断——这个循环，在工程上叫闭环控制。

闭环抓取控制通常使用离散控制律，以固定采样周期读取触觉信号、计算控制量、更新夹爪力矩。最常用的是增量式 PID 控制：

工程实践中有两个关键点。一是采样周期：通常选 1～5 kHz，保证不漏掉高频滑移振动；二是阈值标定：要在不同物体（不同摩擦系数、重量）上反复试验，确定滑移特征的多级报警阈值。此外，低通滤波与均值滤波常被用来去除电机启停噪声和电磁干扰，防止误触发。

闭环控制的本质，就是让手和豆腐始终保持着“对话”：豆腐给一个信号，手回应一个动作，再听反馈，再调整，直到达到稳定的平衡。机器人抓取亦是如此——每一毫秒的感知与响应，都是这个对话的一个回合。

\displaystyle u_k = K_p e_k + K_i \sum_{j=1}^{k} e_j + K_d (e_k - e_{k-1})

这个公式把控制量拆成三部分：对当前误差的即时反应、对历史误差的累计修正、对误差变化趋势的预判。

e_k（当前误差）第 k 个采样时刻滑移指标与目标值（通常为 0）之差。
$e_k$
e_{k-1}（上一时刻误差）与 e_k 相减得到误差差分，反映滑移的增减速度。
$e_{k-1}$
\sum_{j=1}^{k} e_j（误差累计）过去所有采样时刻误差的总和，用来消除稳态时残留的滑移误差。
$\sum_{j=1}^{k} e_j$
K_p / K_i / K_d（PID 增益）比例、积分、微分三项增益，分别对应“当前反应”“历史修正”“未来预判”。
$K_p, K_i, K_d$

多模态融合感知

单靠指尖触觉，人也能捧住豆腐，但如果你同时用眼睛瞟一眼豆腐的位置、用耳朵听一下豆腐是否在纸盒里滑动，判断就会更稳妥。机器人也一样，除了触觉，还需要视觉、力觉等多种模态协同配合。

多模态融合感知，就是把来自不同传感器的信息在时间和空间上对齐，然后加权组合，形成对“抓取状态”的统一估计。一个简单的加权融合模型可以写成：

在真实系统中，视觉提供“慢而全局”的信息——物体整体是否偏移、夹爪位置是否偏斜；触觉提供“快而局部”的信息——接触面的微滑移和高频振动。融合策略往往不是简单加权，而是分层决策：视觉负责预判和规划，触觉负责实时反馈，两条通道互为冗余。当某个传感器置信度下降时，系统自动降低它的权重，保证抓取依然安全。

你用眼睛先瞄好豆腐在手上的位置，再用指尖去精微感知滑移——视觉定大局，触觉管细节，两者合一，捧豆腐这件小事才真正成为十拿九稳的事。多模态融合，就是让机器人拥有同样“眼手并用”的本领。

\displaystyle \hat{f} = w_t f_t + w_v f_v

最终的综合判断 = 触觉判断 × 触觉可信度 + 视觉判断 × 视觉可信度。哪个模态在当前条件下更可靠，就多信它一点。

f_t（触觉估计）由触觉传感器推断出的滑移水平，反应快、细节丰富。
$f_t$
f_v（视觉估计）由视觉观测推断出的物体位移或姿态变化，全局性好但帧率较低。
$f_v$
w_t / w_v（权重系数）触觉与视觉的可信度权重，取值范围 0～1 且 w_t + w_v = 1。
$w_t, w_v$
\hat{f}（融合估计）融合后对滑移状态的综合判定，用于触发抓取力调整。
$\hat{f}$

AI 应用场景

快递分拣中的易碎品抓取

阶段：多模态感知与执行控制

解决的问题：传统分拣机器人在抓取玻璃瓶、鸡蛋盒等易碎品时，抓力过小会导致滑落破损，抓力过大则会直接压碎。通过滑移检测与抓取调整，机械手能在接触瞬间感知滑动趋势，并快速微调抓取力。

具体案例：某电商仓库的机械臂抓取包装好的玻璃调味瓶。手指表面的压阻式传感器阵列以 2 kHz 的频率采样，当检测到瓶体有轻微下滑趋势时，控制器在 10 毫秒内将夹持力提升 15%，稳定后再回降。整套动作“快、准、柔”，破损率从 0.8% 降到 0.05%。

精密装配中的力位协同

阶段：力觉反馈与阻抗控制

解决的问题：手机摄像头模组装配时，零件表面光滑且接触力要求苛刻（通常小于 3 N），手爪容易滑脱或压伤工件。传统位置控制无法适应零件尺寸的微小差异。

具体案例：装配机器人腕部安装了六维力/力矩传感器，配合阻抗控制策略。当拧入过程出现切向力突增（即滑移前兆）时，控制器在下一个控制周期内适当增大接触力并微调整姿态，保证装配成功率从 92% 提升到 99.5%。

Python 演示

python63 行

"""滑移检测与抓取调整的简单仿真演示"""import mathimport random  class SlipController:    """模拟一个带滑移检测的抓取控制器"""     def __init__(self, kp=2.0, kd=0.5, threshold=1.2):        self.kp = kp        self.kd = kd        self.threshold = threshold        self.force = 1.0        self.prev_slip = 0.0        self.gc_count = 0     def detect_slip(self, tangential_force, normal_force, mu=0.5):        """返回滑移指标:切向力超过摩擦力阈值的程度"""        slip = max(0.0, tangential_force - mu * normal_force)        return slip     def update(self, slip):        """根据滑移特征调整抓取力(PD增量控制)"""        ds = slip - self.prev_slip        delta_f = self.kp * slip + self.kd * ds        self.force += delta_f        self.prev_slip = slip        self.gc_count += 1        return self.force     def step(self, tangential_force, normal_force, mu=0.5):        """单步运行:检测->更新->返回当前抓取力"""        slip = self.detect_slip(tangential_force, normal_force, mu)        return self.update(slip)  def simulate():    """模拟物体逐渐下滑、控制器调整抓取力直至稳定的过程"""    ctrl = SlipController(kp=1.5, kd=0.3)    tangential_force = 0.5    normal_force = 1.0    mu = 0.4    print("时刻  切向力  法向力  滑移指标  调整后抓取力")    for t in range(1, 16):        tangential_force += 0.15 + 0.05 * math.sin(t) + random.uniform(-0.03, 0.03)        slip_before = max(0.0, tangential_force - mu * normal_force)        if slip_before > ctrl.threshold:            print("[" + str(t).rjust(2) + "] 滑移超过阈值,启动力补偿!")        normal_force = ctrl.step(tangential_force, normal_force, mu)        slip = max(0.0, tangential_force - mu * normal_force)        print(str(t).rjust(3) + "  " +              format(tangential_force, "5.2f") + "  " +              format(normal_force, "6.2f") + "  " +              format(slip, "6.2f") + "  " +              format(ctrl.force, "8.2f"))        if slip < 0.05 and t > 3:            print("-> 抓取稳定,任务完成!")            return True    return False  if __name__ == "__main__":    simulate()

目的：模拟一个机械手夹爪在搬运过程中受到持续扰动，通过滑移检测与 PD 力调整，逐步把抓取力稳定到安全区间的完整闭环过程。

slip = max(0.0, tangential_force - mu * normal_force)滑移指标就是切向力超出摩擦上限的“超量”，超出越多越危险。
delta_f = self.kp * slip + self.kd * dsPD 控制律：滑移量决定补多少力，滑移趋势决定补力快慢。
self.force += delta_f把增量累加到当前抓取力上，模拟执行器实际收紧。
normal_force = ctrl.step(tangential_force, normal_force, mu)闭环核心：感知→决策→执行→更新，每步重新计算抓取力。
tangential_force += 0.15 + 0.05 * math.sin(t) + random.uniform(-0.03, 0.03)模拟搬运中周期性振动叠加随机扰动，考验控制器的鲁棒性。

常见误区

误区滑移检测听起来像是一种“安全气囊”——等物体从手里掉下去的一瞬间触发报警，尽量减少损失。但这样想的话，感觉它很被动，好像没什么实际用处。

正解恰恰相反，滑移检测的核心价值在于捕捉“即将滑动”的微滑移前兆。物体还没真正滑落时，接触面边缘已经发生局部微位移，并激发出高频振动信号。就像你捧豆腐时，豆腐还没滑出掌心，指尖已经感到了“滑溜感”。抓住这个前兆并快速调整抓取力，才能防患于未然。

为何常见：因为首次接触“滑移检测”这个词时，人们容易从字面理解为“物体已经在滑了”，从而忽略物理上更关键的“微滑移”预兆阶段。

误区既然怕物体滑落，那把抓取力调大不就行了？力越大，摩擦越大，肯定越稳。很多初学者认为“安全”就等于“使劲夹”。

正解抓取力过大会捏碎易碎品、压伤表面，甚至损坏触觉传感器。滑移检测与抓取调整追求的是“用合适的力抓住”，而不是“用最大的力抓住”。就像捧豆腐，力度要刚好：太小会滑落，太大会碎。工程中通常设定一个安全力区间，滑移时短暂提升，稳定后立即回落。

为何常见：生活经验中“握紧就不容易掉”的直觉太强，让人忽视了被抓物体的脆弱性以及执行器的物理极限。

误区很多学习者看到阻抗控制的公式里有位置误差和力，就以为它是先做位置控制、再做力控制的简单叠加，只是把两种模式拼在一起。

正解位置控制与力控制是两种独立的控制模式，而阻抗控制通过设计质量-弹簧-阻尼关系，把力与位置统一在同一个动态模型中。它不直接命令“输出多大的力”，而是命令“力与位移之间应该呈现怎样的关系”。调节阻抗参数，相当于改变机械手的“手感”，而非单纯切换控制模式。

为何常见：教材中常将位置控制、力控制、阻抗控制并列介绍，让人误以为阻抗控制只是前两者的线性组合。

误区看到 PD/PID 公式里的 k_p、K_p 等增益项，初学者容易觉得：“滑移很严重，那就把增益全部调大，反应越快越好。”

正解增益过大会导致系统振荡甚至发散，夹爪可能像“打摆子”一样来回抖动，反而把物体抖落。参数整定需要结合执行器延迟、物体刚度和传感器采样率综合权衡。就像你捧豆腐，反应太快（力猛增）也会把豆腐捏碎，合适的增益是“刚刚好”的平衡点。

为何常见：人的直觉是“越快越好、越大越强”，但反馈控制系统存在稳定性约束，增益并不是越大越优。

面试题

Q1. 滑移检测的核心目标是什么？

单选题 · easy

A.物体完全掉落后发出警报
B.捕捉即将滑动的预警信号← 正确答案
C.增大抓取力至最大上限
D.消除所有接触面振动

答案：B。滑移检测追求的是“预警”而非“报警”。物体完全滑落前会经历微滑移阶段，接触面边缘产生高频微振动，捕捉这一前兆，控制系统才有时间调整抓取力。A 是事后补救，C 忽略了力过大会损坏物体，D 会把有效信号也滤掉。

Q2. 库仑摩擦模型中，最大静摩擦力与哪些量有关？

单选题 · easy

A.摩擦系数与法向力大小← 正确答案
B.接触面积和表面温度
C.物体体积与自身重量
D.夹爪移动速度和角速度

答案：A。库仑摩擦模型给出最大静摩擦力 = μ_s × F_N，其中 μ_s 是静摩擦系数（由接触材料决定），F_N 是法向力。接触面积和温度在经典模型中不直接出现，物体体积与夹爪运动速度也不属于该模型的变量。

Q3. 压阻式触觉传感器的基本工作原理是？

单选题 · easy

A.受力使其电容极板间距变化
B.受力使其材料电阻值变化← 正确答案
C.受力使其线圈电感量变化
D.受力使其透射光强变化

答案：B。压阻式传感器利用半导体材料受压变形后电阻率改变的特性，受力时电阻值变化，通过电桥转成电压输出。A 是电容式原理，C 是电感式，D 是光电式，均不属于压阻原理。

Q4. 滑移特征提取中，时域方差显著增大的物理含义是？

单选题 · mid

A.信号持续为零保持不变
B.信号直流分量明显增大
C.信号波动幅度显著增加← 正确答案
D.信号频率保持恒定不变

答案：C。滑移发生时，接触面产生剧烈的微振动，触觉信号在短时间内大幅上下波动，方差随之显著增大，这是最直观的滑移特征。A 中信号为零说明没有信息，B 中直流分量对应信号均值，D 中频率恒定与滑移振动特征矛盾。

Q5. 阻抗控制中目标刚度 K_d 越大，末端的动态行为表现为？

单选题 · mid

A.末端越刚硬越难偏离期望← 正确答案
B.末端越柔软越容易被推动
C.系统越容易产生振动发散
D.传感器采样频率自动提高

答案：A。阻抗控制将末端等效为质量-弹簧-阻尼系统，K_d 相当于弹簧刚度。K_d 越大，末端抵抗位置偏差的能力越强，表现得越“硬”，越不容易被外力推开。B 说反了，C 主要由阻尼过小引起，D 与阻抗参数无关。

Q6. 抓取力 PD 调整律 ΔF = k_p·e_s + k_d·ė_s 中，k_d 项的主要作用是？

单选题 · mid

A.消除滑移的稳态残余误差
B.增大抓取力的绝对数值
C.提高传感器的灵敏程度
D.抑制滑移趋势突变使调节平滑← 正确答案

答案：D。微分项 k_d·ė_s 作用于滑移指标的变化率。当滑移趋势快速上升时，它能提前“踩刹车”，抑制突变，避免力的调节过冲，使抓取过程更平滑。消除稳态误差是积分项的作用，B、C 均与微分项的物理含义不符。

Q7. 闭环抓取控制中采样周期选择过大会导致什么后果？

单选题 · hard

A.控制精度下降丢失高频滑移信号← 正确答案
B.夹爪系统将不会出现任何滑移
C.执行器件的温度升得越来越快
D.传感器量程自动变得越来越大

答案：A。滑移信号通常包含 50～500 Hz 的高频振动成分。采样周期过大时，高于奈奎斯特频率的信号会丢失或产生混叠，控制系统无法及时察觉滑移，控制精度显著下降。B、C、D 与采样周期没有直接因果关系。

Q8. 下列哪些信息源属于多模态融合感知中的感知模态？

多选题 · mid

A.视觉相机等图像类传感信息← 正确答案
B.触觉压力阵列的接触信息← 正确答案
C.力觉力矩传感器的力学信息← 正确答案
D.电机外壳的实时温度信息

答案：ABC。多模态融合感知的信息源包括视觉（相机）、触觉（压力阵列）和力觉（力/力矩传感器），它们共同刻画“抓取状态”。电机温度属于执行器健康监测范畴，不属于感知抓取状态的模态，因此 D 不正确。

Q9. 关于阻抗控制，下列说法正确的是？

多选题 · hard

A.将末端等效为质量弹簧阻尼系统← 正确答案
B.直接精确控制末端输出力大小
C.阻尼越大对冲击的抑制越强← 正确答案
D.整个控制过程不需要任何传感器

答案：AC。阻抗控制将机械手末端建模为质量-弹簧-阻尼系统，通过调节 M_d、B_d、K_d 塑造力与位置的动态关系，A 正确。它并不直接指定某个输出力，而是指定力的响应方式，B 错误。目标阻尼 B_d 越大，对冲击的吸收越强，C 正确。阻抗控制依赖位置和力反馈，D 错误。

Q10. 在滑移检测与抓取调整中，通常需要抗干扰滤波的原因包括？

多选题 · extreme

A.电机启停产生电气噪声干扰信号← 正确答案
B.机械振动可能被误判为滑移特征← 正确答案
C.滤波可提高信噪比降低误触发率← 正确答案
D.滤波能够增大传感器的量程范围

答案：ABC。电机启停和机械振动都会在触觉信号中叠加噪声，若不滤波，高频干扰可能被误判为滑移特征，导致抓取力频繁误调。滤波能提高信噪比，降低误触发概率，A、B、C 正确。滤波是对信号做处理，不能改变传感器的物理量程，D 错误。