拧开一瓶可乐，你从头到尾都没看过瓶盖——手一转，先轻松，然后越拧越紧，直到某个瞬间你“感觉”到阻力，自动停手。整个过程里，你的肌肉、肌腱和皮肤在不停协作，实时报告着“用了多大力、该不该停”。机器人想做到同样的事——拧螺丝不滑牙、端水杯不洒、和人握手不捏疼人——光靠摄像头远远不够，它需要一种专门“感觉转动用力”的器官，这就是力矩传感器。 力矩传感器是机器人感知系统中的“体感器官”。它装在关节、手腕或末端执行器上，像人类的手感那样，把看不见的“拧的劲”变成电信号交给控制器。没有它，机械臂笨得像个蒙眼大力士，撞到人也不知道收手。这篇内容先从测量原理讲起，介绍应变片式和光电式两大主流方案，再聊安装方式、信号处理和噪声滤波，最后教你选型时怎么权衡量程与精度。跟着思路走一遍，你会发现自己也能给机器人装上精准的“手感”。

岗位关联

学懂力矩传感器，你就能看懂机器人规格书里的力觉指标，在选型、调试与安全评估中做出靠谱判断，这是进入机器人控制与自动化岗位的基本功。

目录
  1. 可视化演示
  2. 力矩传感器概述
  3. 应变片测量原理
  4. 光电测量原理
  5. 安装方式
  6. 信号处理
  7. 噪声滤波
  8. 选型指标
  9. 应用场景
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示应变片式力矩传感器惠斯通电桥测量原理、信号滤波流水线降噪过程，以及三种传感器选型指标对比。

本节配有交互动效（进入视口后自动加载，约 3KB）。

应变片测量原理 扭矩使轴产生扭转形变，应变片感知微应变 四片应变片组成惠斯通电桥输出电压 V_out = (dR/R) * V_exc * G/4 应变片式力矩传感器通过电桥输出与扭矩成正比的电压

力矩传感器概述

拧瓶盖时，你从不看瓶盖，手却能精确地在拧紧前停住——因为肌肉在持续报告“转动的阻力”。这股阻力的大小，物理上叫力矩。机器人端水杯、拧螺丝、插连接器时，担心的同样是“转了多少劲”。而力矩传感器就是让机器人拥有这种“手感”的器官：它把看不见的转动用力变成电信号，控制器据此决定下一步动作。

力矩传感器安装在机器人的关节、手腕或末端执行器上，原理虽不同，共同任务是实时测量“绕某个轴旋转的力”。它回答的不是“推动了多少”，而是“拧了多少”——这个区别很关键：推门和拧门把手是两种用力方式，前者是直线力，后者才是力矩。

力矩的严格定义是力与力臂的叉积。力臂是从旋转轴到施力点的垂直距离，单位是米；力矩的单位是牛顿·米（N·m）。生活中拧瓶盖越靠边缘越省力，就是因为在力不变时，力臂变大了。机器人的每个关节都能转动，测量每个关节“承受了多少扭转”，就能推算出末端在跟什么较劲。

所以，机器人的“手感”本质上是对力矩的感知。接下来看两种实现这种感知的主流方案：一种靠电阻形变，一种靠光影错位。

τ=r×F=rFsin⁡θ\displaystyle \boldsymbol{\tau} = \mathbf{r} \times \mathbf{F} = rF\sin\theta
力矩 = 力 × 力臂 × 夹角正弦。力臂越长，同样大小的力能产生更大的“拧劲”。
  1. 力矩矢量 τ描述“转动效果”的物理量，单位牛顿·米（N·m）。就像拧瓶盖感受到的阻力，数值越大越费力。
    τ\displaystyle \boldsymbol{\tau}
  2. 力臂 r从转轴指向施力点的矢量，单位米。抓瓶盖边缘比抓瓶盖中心“扭起来”轻松，正是因为力臂更大。
    r\displaystyle \mathbf{r}
  3. 夹角与正弦只有垂直于力臂方向的分量才产生力矩，所以出现 sinθ；力与力臂垂直时 sinθ=1，力矩最大。
    rFsin⁡θ\displaystyle rF\sin\theta

应变片测量原理

橡皮筋被你拉长时，会变得更细、更“涩”——如果它是根电线，电阻会明显变大。应变片应用的就是这个朴素现象：把一片金属箔牢牢贴在传感器的弹性梁上，梁被力矩拧弯时，箔跟着被拉伸或压缩，电阻随之变化。电阻变多少，就知道梁弯了多少，也就知道了力矩多大。

弹性梁是传感器内部的金属骨架，承受力矩后发生微米级弯曲，这叫应变。金属箔感受应变后，电阻相对变化率与应变成正比，比例系数就是灵敏系数 G。金属箔的 G 大约为 2，意味着 0.1% 的形变只带来 0.2% 的电阻变化，微小得几乎测不出来。

要捕捉这么小的变化，工程师用惠斯通电桥——四个电阻搭成菱形，把“电阻变化”翻译成“电压变化”。桥路对称的特点还能顺便抵消温度引起的共模漂移：热胀冷缩四个臂一起变，电压差不受影响。最终输出电压正比于供电电压、灵敏系数和应变三者之积，典型值只有几毫伏，像一根头发丝的重量，必须靠后面的放大器来“接住”。

应变片方案像橡皮筋的“触觉”，结构简单、成本低，是目前工业机器人最主流的力矩感知技术。但它对温度敏感、易受电磁干扰，于是另一种靠“眼睛”的方案应运而生。

ΔRR=G ε,Vout=Vex G ε\displaystyle \frac{\Delta R}{R} = G\,\varepsilon,\qquad V_{out} = V_{ex}\,G\,\varepsilon
电桥输出 = 供电电压 × 灵敏系数 × 应变。应变片方案的本质，是把“弯了多少”转化为“电阻变了多少”，再转化为“电压变了多少”。
  1. 相对电阻变化 ΔR/R应变片受力后电阻改变的百分比，通常只有千分之几，极其微小。
    ΔRR\displaystyle \frac{\Delta R}{R}
  2. 灵敏系数 G每单位形变能引起多大电阻变化，由金属箔材料决定，数值约为 2。
    G\displaystyle G
  3. 应变 ε物体被拉伸的相对量，即长度变化除以原长，无量纲。
    ε=ΔLL\displaystyle \varepsilon = \frac{\Delta L}{L}
  4. 输出电压桥路把电阻变化转成电压，5V 供电、千分之一应变时输出仅几毫伏。
    Vout=Vex G ε\displaystyle V_{out} = V_{ex}\,G\,\varepsilon

光电测量原理

小时候玩过百叶窗吗？转动叶片，透过缝隙的光线忽多忽少，在地上投出变化的光影。光电式力矩传感器就是一台精密的“百叶窗”：弹性体在力矩下扭转，带动光栅错位，挡住或放行光线，光影的多少就变成了力矩的读数。

光栅是一片刻满细密透光缝隙的码盘，一半连着弹性体一端，一半连着另一端。力矩为零时，两半的缝隙对齐，光路全通；力矩增大，缝隙错开，光通量减少。贴在另一侧的光电探测器把光强转为电流，再经放大和数字化，输出一个计数。这个计数和力矩近似线性关系，标定后就能直接读出 N·m。

相比应变片，光电式最大的优势是抗电磁干扰：信号以光的形式传输，电机强磁场很难“污染”它；同时没有金属箔的机械疲劳，寿命更长。代价是结构精密、怕灰尘油污，必须密封安装，成本也更高。有的高端型号还靠双光栅形成差分测量，进一步抑制温漂。

光电式像百叶窗，用光影说话；应变片式像橡皮筋，用电阻说话。无论哪种方案，装在哪、怎么装，直接决定了它“手感”的粗细。

Nout=⌊N0(1+α τ)⌋\displaystyle N_{out} = \left\lfloor N_0\left(1 + \alpha\,\tau\right)\right\rfloor
数字输出 ≈ 基准计数 ×（1 + 光电灵敏度 × 力矩）。光电式把“光影错位”量化成数字，像百叶窗叶片角度决定了屋里的亮度。
  1. 数字计数 N_out光电探测器输出的量化计数，类似相机像素值，力矩越大计数偏离基准越多。
    Nout\displaystyle N_{out}
  2. 基准计数 N₀零力矩时光栅完全对齐，探测器收到的最大光通量对应的计数。
    N0\displaystyle N_0
  3. 光电灵敏度 α力矩每增加 1 N·m，光通量相对变化多少，由光栅刻线密度与弹性体刚度共同决定。
    α\displaystyle \alpha
  4. 取整符号 ⌊⌋数字化必然切成整数级，丢掉的尾数就是量化误差，位数越高误差越小。
    ⌊⋅⌋\displaystyle \left\lfloor \cdot \right\rfloor

安装方式

人的手感其实分三层：指尖最精细，能感受一根头发的存在；手腕次之，能判断杯子的重量；肩膀最“粗”，只知道整条手臂在费力。机器人的力矩传感器也遵循同样的逻辑，安装位置就是手感层次的划分线。

最靠里的是关节安装，装在电机或减速器的输出端。这里力臂最长，测到的是整个连杆加负载的总力矩，适合做整机保护和碰撞检测，但“触觉”最粗。中间是腕部安装，通常是六维力/力矩传感器，能同时测三个方向的力和三个方向的力矩，精密作业多装在这里。最靠外的是末端安装，直接放在夹爪和工件之间，测的是接触点上的真实受力，最精准，但空间狭小、线缆难走。

安装位置直接决定量程需求：同一个末端负载，肩关节的力臂最长，感受到的力矩最大。假设末端夹着 10N 的工件，腕部力臂 0.3m 时只有 3 N·m，而肩部力臂 1m 时就是 10 N·m。所以越往根部装，传感器量程就要越大；越往末端装，量程可以越小但精度要求越高。

选好安装位之后，传感器输出的还是微弱的模拟信号，就像人的神经脉冲需要脊髓放大、大脑解码一样，接下来是信号处理环节。

τj=F⋅Lj\displaystyle \tau_j = F \cdot L_j
第 j 个关节的力矩 = 末端力 × 该关节到末端的力臂。力臂越长，同样的末端力产生的关节力矩越大。
  1. 末端力 F夹爪与工件之间的接触力，比如打磨时的下压力或夹持力。
    F\displaystyle F
  2. 力臂 L_j从第 j 个关节转轴到末端施力点的垂直距离。肩关节的 L 最大，腕关节次之。
    Lj\displaystyle L_j
  3. 关节力矩 τ_j乘积即该关节的等效负载。扛重物时肩膀最累，就是因为肩关节力臂最长。
    τj=FLj\displaystyle \tau_j = F L_j

信号处理

人的神经信号极其微弱，要经过脊髓放大、大脑解码，才能变成“哦，瓶盖拧紧了”的感知。力矩传感器也一样：电桥出来只有几毫伏，直接给控制器连噪声都看不清，必须走一条完整的信号链。

第一站是仪表放大器，它专门放大差分信号，把几毫伏抬高到几伏量级，同时抑制共模干扰。第二站是抗混叠滤波器，赶在数字化之前先挡掉一部分高频噪声。第三站是模数转换器（ADC），把连续电压切成离散的数字码——切得越细，读数越精细。最后一站是标定补偿：用已知力矩加载，建立“数字码 ↔ 真实力矩”的映射表，顺便修正温度漂移和非线性。

ADC 的位数是决定分辨率的关键。16 位 ADC 把满量程电压切成 65536 格，每一格对应一个最小力矩台阶。参考电压则是量化的“尺子”：信号超过它就会削顶失真，就像温度计超过刻度线就读不出来了。整条信号链里，任何一环的噪声都会被后续环节放大，所以电路布局和屏蔽设计同样重要。

信号链把“手感”翻译成了控制器能读的数字。但这数字里还混着不少杂音，就像音乐会现场有人咳嗽、手机震动，必须做噪声滤波。

D=⌊VADCVref×2Nb⌋\displaystyle D = \left\lfloor \frac{V_{ADC}}{V_{ref}} \times 2^{N_b} \right\rfloor
数字码 = 取整（实际电压 ÷ 参考电压 × 2 的位数次方）。ADC 位数越高，量化格子越细，力矩读数越细腻。
  1. 放大后电压 V_ADC经过仪表放大器和预滤波的模拟电压，范围被拉到 0 到参考电压之间。
    VADC\displaystyle V_{ADC}
  2. 参考电压 V_refADC 的满程刻度，信号接近它就接近“爆表”，超出则削顶。
    Vref\displaystyle V_{ref}
  3. ADC 位数 N_b16 位意味着满程被切成 65536 格，位数越多格子越细。
    2Nb\displaystyle 2^{N_b}
  4. 数字码 D最终交给控制器的整数，范围 0 到 2 的 N_b 次方减 1，配合标定表换算成 N·m。
    D\displaystyle D

噪声滤波

在沙滩上捡珍珠，你得先把大量沙子筛掉——真实力矩是珍珠，噪声就是沙子。机器人工作环境的“沙子”特别多：电机换向时的电磁干扰、减速器齿轮的振动、电源纹波、温度漂移，全部叠加在微弱的传感器信号上，让读数上下乱跳。

最常用的筛子是低通滤波器。真实力矩变化通常比较缓慢，而噪声多是高频抖动，低通滤波器放行低频趋势、压掉高频毛刺。最朴素的是滑动平均，把最近 N 次读数取平均；更常用的是下面这个一阶指数平滑——用新读数和旧估计做加权平均。系数 α 大，就更信任新读数，反应快但滤噪弱；α 小，更依赖历史，波形平滑但反应迟钝。

对安全要求高的场合还会用卡尔曼滤波。它不只做平滑，还利用系统的运动模型做预测，再根据测量噪声和模型噪声的统计特性，算出最优估计。打个比方：低通滤波像凭感觉筛沙子，卡尔曼滤波像用筛子加图纸，既知道沙子的粒度，又知道珍珠大概滚到了哪里。

滤波之后，“手感”才真正干净可用。但传感器不是越贵越好，选型像买鞋：鞋码要对、脚感要合适、还不能太紧挤坏脚——这就是量程与精度的权衡。

y(k)=α x(k)+(1−α) y(k−1)\displaystyle y(k) = \alpha\,x(k) + (1-\alpha)\,y(k-1)
当前滤波输出 = α × 本次测量 +（1−α）× 上次输出。本质是“新经验”与“旧记忆”的折中，α 是平滑与响应之间的旋钮。
  1. 本次测量 x(k)刚从 ADC 读到的、带着噪声的力矩读数。
    x(k)\displaystyle x(k)
  2. 上次输出 y(k−1)上一时刻滤波后的平滑结果，相当于“旧记忆”或“昨天的经验”。
    y(k−1)\displaystyle y(k-1)
  3. 平滑系数 α取值 0 到 1。α 越大越相信新读数，越小越依赖历史，直接控制噪声压制力度和延迟大小。
    α\displaystyle \alpha
  4. 加权求和把本次测量和上次输出按比例混合，噪声被摊薄、真实趋势被保留，这就是滤波的核心动作。
    αx(k)+(1−α)y(k−1)\displaystyle \alpha x(k) + (1-\alpha) y(k-1)

选型指标

买鞋时，鞋码太大走路拖沓，太小挤脚磨泡，合适的鞋是“刚好留一点余量”。力矩传感器选型也是同样的道理：量程像鞋码，精度像脚感，过载保护像鞋子的耐穿度。三者必须一起权衡，只看任何一项都会踩坑。

量程是第一指标。它表示传感器能测的最大力矩，选型原则是按典型负载的 1.5 到 3 倍留余量。余量太大会出问题吗？会。因为精度通常按满量程的百分比标注，比如 0.5%FS：量程 100 N·m 的传感器误差有 0.5 N·m，而量程 10 N·m 的同类产品误差只有 0.05 N·m。拿大秤称鸡蛋，误差把鸡蛋重量都盖住了。

精度之外，分辨率由 ADC 位数决定：满量程除以 2 的位数次方，就是最小可分辨台阶。还有一个常被忽略的指标是刚度——传感器串在机械臂里相当于一根“软弹簧”，刚度过低会让整个机器臂变“软”，动态性能下降。过载保护则指能承受而不损坏的最大力矩，通常是额定值的 2 到 5 倍，用来应对碰撞冲击。

选型完成的传感器，最终要在真实场景里发挥作用——就像手感最好的手，是用来和人握手、做精细活儿的。

δ=Fs2Nb\displaystyle \delta = \frac{F_s}{2^{N_b}}
分辨率 = 满量程 ÷ 2 的 ADC 位数次方。位数越多台阶越细，但量程越大台阶越粗——所以“量大”和“细腻”天生矛盾。
  1. 满量程 F_s传感器能测量的最大力矩，例如 10 N·m，选型时按负载的 1.5 到 3 倍确定。
    Fs\displaystyle F_s
  2. ADC 有效位数 N_b数字化刻度的个数指标。16 位对应 65536 个台阶。
    2Nb\displaystyle 2^{N_b}
  3. 分辨率 δ相邻两个读数之间的最小力矩差，台阶越小，传感器能感知的“手感”越细腻。
    δ\displaystyle \delta

应用场景

和人握手时，你会自动控制力度：对方是老人就轻握，是好友就紧握。这个“轻重有度”的本事，对机器人来说就是力矩传感器的核心应用。没有它，机器人握手会把人的手捏青，拧灯泡会把灯泡拧碎。

第一个典型场景是安全交互。协作机器人和人共处一室，碰撞随时可能发生。有了关节力矩传感器，控制器实时监测力矩曲线，一旦发现瞬间跳变——比如撞到人的手臂——立即触发急停或回退，整个过程只要几十毫秒，比人眨眼睛还快。这是“手感”变“本能反应”的典型。

第二个场景是精密装配。手机摄像头模组的轴孔装配，间隙只有 0.02 毫米，光靠摄像头定位根本看不清。腕部力矩传感器持续反馈接触力，控制器用力位混合控制动态调整姿态：力大了就退一点，力小了就进一点，像人摸索着插 USB 接口，从不硬怼。第三个场景是力反馈遥操作，医疗或核环境里操作者通过主手控制从手，末端的力矩感受被映射回操作手柄，医生能“摸到”组织的软硬，这是普通视觉无法替代的。

从拧瓶盖的手感到碰撞瞬间的急停，力矩传感器让机器人从“按程序执行的机器”变成了“有体感的伙伴”。选型时的每一个权衡，最终都落在这些真实场景的安全与良率上。

∣τ∣>τth⇒急停\displaystyle |\tau| > \tau_{th} \Rightarrow \text{急停}
如果实时力矩的绝对值超过安全阈值，立即触发急停。这是力矩传感器最朴素也最救命的一条逻辑。
  1. 实时力矩 τ滤波后的当前力矩测量值，代表关节此刻的受力情况。
    τ\displaystyle \tau
  2. 安全阈值 τ_th根据任务设定的最大允许力矩，比如 5 N·m，超过就认为发生异常。
    τth\displaystyle \tau_{th}
  3. 条件判断与急停当 |τ| 超限时触发停机或回退，像碰到开水时缩手一样快。
    ∣τ∣>τth\displaystyle |\tau| > \tau_{th}

AI 应用场景

协作机器人安全触停

阶段：感知与安全控制

解决的问题：传统工业机器人靠围栏隔离，碰撞发生前完全无感知。集成力矩传感器后，控制器实时监测关节力矩曲线，一旦检测到碰撞引起的力矩突增，立即触发急停或回退，人机可以安全共场。

具体案例：某 3C 装配线上，协作机械臂与工人同工位作业。工人意外伸手挡住路径时，关节力矩在 0.1 秒内超过安全阈值，机器人即刻停机，全程无伤害。碰撞检测算法还可以把力矩信号的时域特征喂给分类器，区分“硬碰撞”和“误触碰”。

精密装配中的力控柔顺

阶段：机器人控制策略

解决的问题：轴孔装配存在视觉遮挡和定位误差，纯位置控制容易卡死或压坏工件。腕部六维力矩传感器反馈接触力，控制器采用力位混合控制，在力超过上限时主动退让，让装配过程像人摸索着插 USB 一样顺滑。

具体案例：手机摄像头模组装配线，机器人以 0.5N 的接触力完成 0.02mm 间隙的轴孔插入，良率从 93% 提升到 99.5%。这类力控装配已成为消费电子行业的标配工艺。

力反馈遥操作

阶段：人机交互

解决的问题：在医疗、核环境等场景中，操作者无法直接接触工件，只能靠视觉判断，容易用力过猛。末端力矩传感器把接触力映射到操作主手上，还原真实“手感”，让操作者能分辨组织的软硬、螺纹是否对正。

具体案例：微创手术机器人从手末端装有高精度力矩传感器，医生操作主手时能感受到组织的微小阻力变化，据此判断避开血管或神经，手术安全性大幅提升。

Python 演示

python51 行
import random class TorqueSensor:    def __init__(self, full_scale=10.0, adc_bits=16, gauge_factor=2.0, noise_vol=0.35):        self.full_scale = full_scale        self.adc_bits = adc_bits        self.gauge_factor = gauge_factor        self.noise_vol = noise_vol        self.history = []     def bridge_voltage(self, torque):        # 应变片电桥输出: 输出电压 = 灵敏系数 x 应变        strain = torque / self.full_scale        return self.gauge_factor * strain     def sample(self, torque):        # 叠加噪声并量化为 ADC 数字码        volt = self.bridge_voltage(torque)        volt += random.uniform(-self.noise_vol, self.noise_vol)        code = int(volt * (2 ** self.adc_bits) / 2.0)        return code     def to_torque(self, code):        # 由数字码反推算力矩 (标定逆过程)        volt = code * 2.0 / (2 ** self.adc_bits)        return volt / self.gauge_factor * self.full_scale     def lowpass(self, value, alpha=0.4):        # 一阶指数平滑: y(k) = a*x(k) + (1-a)*y(k-1)        if not self.history:            self.history.append(value)            return value        prev = self.history[-1]        out = alpha * value + (1 - alpha) * prev        self.history.append(out)        return out  def main():    sim = TorqueSensor()    real = 3.2    print("真实力矩: %.2f N*m" % real)    for i in range(20):        raw_code = sim.sample(real)        raw_val = sim.to_torque(raw_code)        filt_val = sim.to_torque(sim.lowpass(raw_val))        print("采样%02d  raw=%6.3f N*m  filt=%6.3f N*m" % (i + 1, raw_val, filt_val))  if __name__ == "__main__":    main()
目的：模拟应变片式力矩传感器的采样、量化和一阶指数平滑滤波，对比滤波前后的力矩读数，演示正文中的电桥输出与滤波公式。
  1. code = int(volt * (2 ** self.adc_bits) / 2.0)把连续电压映射到 ADC 整数刻度，16 位对应 65536 格。
  2. return volt / self.gauge_factor * self.full_scale标定逆过程：数字码反算回真实 N·m。
  3. volt += random.uniform(-self.noise_vol, self.noise_vol)叠加随机扰动，模拟电机振动与电磁噪声。
  4. out = alpha * value + (1 - alpha) * prev指数平滑核心公式：新读数与历史估计加权平均。
  5. self.history.append(out)缓存滤波输出，为下一次平滑提供“旧记忆”。

常见误区

误区我以为力矩传感器就是称“用了多大力”的，装哪儿都一样，读数直接用就行。

正解力矩是力乘以力臂，单位是 N·m。同样 10N 的力，推门把手和推门轴附近产生的力矩完全不同。力矩传感器测的是“旋转效果”而不是直线推拉；要测直线力得用拉压传感器或六维力传感器，要测“拧的劲”才用扭矩传感器。两者像“推”和“拧”两种动作，不能混为一谈。

为何常见：生活中“力”和“劲”混着说，没有刻意区分直线推拉与旋转扭转，概念边界模糊。

误区选传感器我总想挑量程最大的，怕过载损坏，余量留个五倍以上心里才踏实。

正解量程过大会牺牲分辨率和精度。精度按满量程百分比标定，例如 0.5%FS 的传感器，量程 100 N·m 时误差 0.5 N·m，量程 10 N·m 时误差只有 0.05 N·m。用大秤称鸡蛋，误差比鸡蛋还重。选型按典型负载的 1.5 到 3 倍留余量即可。

为何常见：“越大越安全”的直觉在精度场景里失效，忽略了满量程误差是相对比例。

误区传感器接上控制器就能读力矩了，波形有点毛刺没关系，反正平均值是对的。

正解电桥输出只有几毫伏，必须先经仪表放大器放大、ADC 数字化，再做完温度补偿和标定映射才能用。毛刺来自电机电磁干扰和机械振动，不滤波的话，毛刺会被控制环当成真实力矩，引起抖动甚至误触发安全停机。传感器是“信号链”的一环，不是孤立的仪表。

为何常见：大家习惯把传感器当独立表头，忽略了从电阻变化到数字读数之间的层层处理。

误区既然噪声讨厌，我就把滤波系数调小，波形越平滑越安心。

正解滤波的本质是“用延迟换平滑”。α 越小噪声压得越狠，但真实力矩变化也被滞后。安全碰撞检测要求毫秒级响应，过度滤波会让传感器变“迟钝”，碰撞力已经很大了系统还没反应过来。α 是跟随速度与平滑程度的跷跷板，要按动力学需求来调。

为何常见：只看波形是否好看，忽略了控制闭环需要的是及时、真实的力矩信息。

面试题

Q1. 力矩的国际单位是？

单选题 · easy

  • A.牛顿（直线力）
  • B.帕斯卡（压强）
  • C.牛顿·米（力矩）← 正确答案
  • D.瓦特（功率）

答案：C。力矩是力与力臂的乘积，单位是牛顿·米。牛顿是直线力的单位，帕斯卡是压强单位，瓦特是功率单位。就像拧瓶盖的“劲”由手力和抓握位置共同决定，两个要素合并才叫力矩。

Q2. 应变片式力矩传感器利用的核心效应是？

单选题 · easy

  • A.石英晶体的压电效应
  • B.金属箔的应变电阻效应← 正确答案
  • C.光照生电的光电效应
  • D.磁场切割的电磁感应

答案：B。金属箔在拉伸或压缩时电阻随之变化，即应变电阻效应。压电效应属于晶体类传感器，光电效应属于光电式传感器，电磁感应则是发电机的原理。橡皮筋越拉越细、过电越费劲，就是应变电阻效应的生活版本。

Q3. 惠斯通电桥在应变片传感器中的主要作用是？

单选题 · mid

  • A.放大电路中的电流大小
  • B.电阻微变转电压并抗温漂← 正确答案
  • C.直接扩大传感器的量程
  • D.过滤掉所有高频的噪声

答案：B。电桥把 ΔR/R 的微小变化转换为电压信号，同时用对称桥臂抵消温度引起的共模漂移。放大电流是后续放大器的事，量程由弹性体结构决定，滤噪是滤波器的工作。电桥像翻译官，把“电阻的语言”翻译成“电压的语言”。

Q4. 同一末端负载，装在哪个位置的力矩传感器量程需求最大？

单选题 · mid

  • A.末端夹爪安装位置处
  • B.机械臂手腕安装位置
  • C.肩部关节的安装位置← 正确答案
  • D.三个位置所需量程相同

答案：C。力矩等于力乘以力臂，肩关节的力臂最长，同样的末端力产生最大的关节力矩，所以根部传感器需要更大量程。用同样的力推门，推门把手比推门轴附近省劲——离转轴越远力矩越大，这是同一个道理。

Q5. 一阶指数平滑滤波 y(k)=αx(k)+(1−α)y(k−1)，α 取较小值时会发生什么？

单选题 · mid

  • A.信号跟随更快噪声更大
  • B.波形更平滑但延迟变大← 正确答案
  • C.精度更高且分辨率提高
  • D.对信号几乎没有任何影响

答案：B。α 小意味着更依赖历史值 y(k−1)，噪声被摊薄所以波形平滑，但真实力矩的变化也被“拖住”，延迟变大。α 是跟随速度与平滑程度的跷跷板，不存在又平滑又跟手的免费午餐。

Q6. 力矩传感器信号中常见的噪声来源包括？

多选题 · mid

  • A.电机换向电磁干扰← 正确答案
  • B.机械传动结构振动← 正确答案
  • C.电源电压纹波噪声← 正确答案
  • D.真实力矩直流分量

答案：ABC。电机换向、机械共振、电源纹波都会叠加到微弱的传感器信号上，属于噪声。真实力矩的直流分量恰恰是我们想测的有效信号，不是噪声。就像音乐会现场的杂音来自人声和音箱震动，而歌手的歌声本身就是你要的内容。

Q7. 16 位 ADC、满量程 10 N·m 的力矩传感器，理论最小可分辨力矩约为？

单选题 · mid

  • A.无法根据条件算出结果
  • B.零点零零零一五牛·米← 正确答案
  • C.零点一五牛·米
  • D.传感器满量程十牛·米

答案：B。分辨率 = 满量程 ÷ 2¹⁶ = 10 ÷ 65536 ≈ 0.00015 N·m。但分辨率只是最小刻度，不等于精度，温漂和非线性会让实际误差大得多。就像尺子最小刻度 1 毫米，不等于量出的长度真能准到 1 毫米。

Q8. 力矩传感器选型时需要综合考虑的指标包括？

多选题 · hard

  • A.量程与分辨率以及过载← 正确答案
  • B.结构刚度与信号带宽← 正确答案
  • C.温漂非线性与密封性← 正确答案
  • D.外壳颜色和外观设计

答案：ABC。量程决定能测多大扭矩，分辨率决定最小可感知变化，过载保护防碰撞损坏，刚度影响机械臂动态特性，带宽决定快变信号的响应，密封性对光电式尤其关键。外观颜色与性能无关，就像买鞋不会因为颜色改变鞋码。

Q9. 关于光电式与应变片式力矩传感器，下列说法正确的是？

单选题 · hard

  • A.应变片式抗电磁干扰更强
  • B.光电式采用电桥电阻测量
  • C.光电式密封防尘是关键← 正确答案
  • D.两种传感器原理完全相同

答案：C。光电式以光传输信号，抗电磁干扰好，但光路怕灰尘油污，密封设计是可靠性的生命线。应变片式靠电阻测量，反而对电磁干扰敏感。A 说反了，B 张冠李戴，D 更是完全错误。就像百叶窗怕积灰挡住光线，光电传感器的“眼睛”必须擦得干干净净。

Q10. 力矩传感器在机器人上的典型应用包括？

多选题 · easy

  • A.人机协作中的安全触停← 正确答案
  • B.精密装配的力控柔顺← 正确答案
  • C.遥操作的力觉反馈← 正确答案
  • D.图形渲染的画面输出

答案：ABC。安全触停靠力矩突变判断碰撞，精密装配靠力控完成轴孔插入，遥操作靠力反馈还原手感，都属于力矩传感器的核心场景。图形渲染是显示技术，和力觉感知无关。手感能帮你捏住鸡蛋不碎，但看不清屏幕上的字。