想象这样一幕：老周的提线木偶戏远近闻名，但如今他的舞台被搬到了千里之外的核电站厂房——那只名叫“小铁”的木偶不再站在戏台上，而是化身为一只六轴机械臂，要去拧开放射性管道的阀门。老周站在几十公里外的控制室里，手里握着的不是木偶线，而是一个带力反馈的主手操控器；他轻轻一推，小铁在千里之外同步转动，阀门的阻力通过一条“看不见的线”回传到他的手心，让他能“摸”到拧紧的力道。这条线就是通信链路，而线太长带来的“手一抖、木偶半秒后才踉跄”的延迟，正是遥操作最棘手的对手。 远程操作（Teleoperation）的本质，就是人类通过遥测链路把自己操控的“手感”传递到远端执行器上，让机器人在危险环境中替人完成精细动作。它把人的判断力与机器的力量组合成一个闭环：主端采集人的动作，从端复现动作并反馈环境信息。这堂课上，我们将沿着老周与他的木偶“小铁”的表演，弄懂主从控制架构如何传递动作、触觉反馈如何让机器“有感觉”、通信延迟为何会导致木偶失控，以及工程师如何像老周练“提前半拍”的绝活一样，用算法把延迟的破坏力抵消掉。

岗位关联

对 AI 从业者而言，掌握遥操作是理解“人在回路”类机器人系统的钥匙——从具身智能数据采集到危险环境自动化部署，它告诉你如何设计远程协同的控制闭环，也为机器人系统工程师的产品化落地提供了工程范式。

目录
  1. 可视化演示
  2. 系统概览
  3. 主从控制架构
  4. 遥测链路
  5. 触觉反馈
  6. 延迟补偿
  7. 典型应用
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示主从控制架构的双向遥测链路、触觉反馈力回路以及通信延迟补偿策略，帮助理解远程操作系统中控制指令传输与状态反馈的核心机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+captions.arch+'

系统概览

老周的木偶戏台上，一套完整的提线装置由三样东西构成：戏台上方老周手里的“十字架”操控器、下面木偶小铁身上的十几根细线、以及连接两者的那根主提线。遥操作系统的三要素正是这套装置的工业翻版——主端（Master）就是老周手里的操控手柄与人机界面，从端（Slave）就是身在危险厂房里的机器人手臂，而那条“看不见的提线”就是通信链路。三者的配合构成了一个“人—机—环境”的闭环：人在回路里不断观察从端传回的画面与力觉，修正自己的操作，让木偶的舞姿与自己的意图尽量同步。

这套系统的价值，在于把“危险”与“人”隔离开来。就像老周不必站到放射性厂房里也能让木偶拧动阀门，操作员可以在安全距离之外完成精细作业。而“精细”二字的关键，在于主从之间的映射关系是否精准——老周的手指捻动几毫米，小铁的指尖应该转多少度？这就要靠主从控制架构来回答。

老周把这套映射记得滚瓜烂熟：手腕轻抖对应小铁左手轻扬，手臂前推对应小铁向前踏步。遥操作系统的设计者要做的，正是像老周编写“指法口诀”一样，把映射规则 $T$ 定义得既直观又安全，让操作员在千里之外也能觉得“木偶就是我的手”。

xs(t)=T(xm(t))\displaystyle x_s(t) = T\big(x_m(t)\big)
这个公式是说：从手在 t 时刻的目标状态 $x_s(t)$，是由主手状态 $x_m(t)$ 经过一个变换规则 $T$ 得到的。$T$ 就像木偶戏里“指法”与“线长”之间的换算——老周手腕的每一次轻转，都要被翻译成小铁身上对应关节的准确动作。
  1. 主手状态 $x_m(t)$表示主端在 t 时刻的位置与姿态信息，好比老周手中十字架的角度和位移。
    xm(t)=[ pm(t), Rm(t) ]x_m(t) = \big[\,p_m(t),\ R_m(t)\,\big]
  2. 变换规则 $T$把主手动作换算为从手目标坐标的映射函数，包含缩放、坐标变换与安全限制。
    T:xm↦xsT : x_m \mapsto x_s
  3. 从手目标 $x_s(t)$从端机器人当前应当到达的位姿，它是控制器跟踪的参考值。
    xs(t)=[ ps(t), Rs(t) ]x_s(t) = \big[\,p_s(t),\ R_s(t)\,\big]

主从控制架构

老周在排练时发现，要让木偶听话，最直接的办法是“位置跟随”：十字架往前推三寸，小铁的手就往前伸三寸。工业主从控制的核心正是这种位置映射——主手输出位移指令，从手控制器追踪这个目标位置。两者之间往往还有一个比例系数 $K_p$，就像老周为了表演效果，有时会把 3 寸的动作放大成舞台上的一步。

但遥操作毕竟不是单行道。小铁在转动阀门时，阀门的阻力会通过电机反推机械臂，这个力如果完全不回传给老周，他就会“心里没底”，要么用力过猛拧断阀门，要么轻飘飘地打滑。于是工程师在主端加入了力反馈机构（如伺服电机驱动的主手），将从端传感器测得的力矩换算后施加到老周的手上，形成“位置由前送、力量由后传”的双向通道——这就是双边控制模型。它让老周不只是“看见”小铁的处境，还能“摸到”它此刻的吃力。

老周管 $K_p$ 叫“表演尺度”：表演细腻的“拈花指”时他把尺度调小，让大动作变成微操；表演大开大合的“武打戏”时他把尺度调大，让小动作变成大挥手。这种习以为常的经验，在工程师手里就是 $K_p$ 的设计艺术——既要让操作者直觉自然，又要避免放大过猛导致从手撞上障碍物。

xs(t)=Kp⋅xm(t)\displaystyle x_s(t) = K_p \cdot x_m(t)
这个公式描述了最基本的位置映射控制：从手的目标位置等于主手位置乘以缩放系数 $K_p$。当 $K_p = 1$ 时是 1:1 的“照搬”，大于 1 是放大动作，小于 1 则是让操作更精细的缩小映射。
  1. 主手位移 $x_m(t)$操作员在 t 时刻推动主手的位移量，单位通常是毫米或弧度。
    xm(t)=∫0tvm(τ) dτx_m(t) = \int_0^t v_m(\tau)\,d\tau
  2. 缩放系数 $K_p$主从之间的位置增益，决定从手对主手动作的放大或缩小程度。
    Kp=xsxmK_p = \dfrac{x_s}{x_m}
  3. 从手目标 $x_s(t)$控制器据此驱动关节电机，使从手实际位置收敛到该目标。
    xs(t)=Kp⋅xm(t)x_s(t) = K_p \cdot x_m(t)

遥测链路

无论老周的指法多么精妙，动作要传到小铁身上，终究得经过那条“线”。若线是实体的麻绳，动作传递是即时的；但遥操作的“线”是通信链路——光纤、无线电或卫星信道，它把主手的位置数据打包成一个个数据帧，传向远端再从端回传力和视频。这条链路的带宽、采样率和延迟，决定了整套系统的“手感”上限。

这里最基础的限制来自采样定理：从手控制器只能以固定频率接收指令，若采样率低于主手动作中最高频率成分的两倍，快速抖动就会混叠成低频假动作——就像老周快速抖动十字架时，木偶却像在慢动作打太极。香农告诉我们，链路容量与带宽和信噪比成正比，带宽越窄，能塞进一个周期的数据越少，采样率就得降低，精细度也随之缩水。此外，无线信道还会因干扰造成丢包，让某些指令帧“石沉大海”，从手只能沿用旧指令，这就是实时性与可靠性之间的拉锯战。

老周年轻时试过用一条太细的麻绳提木偶，细绳能传的“信息”太少，轻快的指法传不过去，木偶显得木讷——这就是带宽不足的手感。现代的遥操作工程师在带宽有限时，会像老周一样果断放弃华丽的身段转攻细腻的手腕：降低控制频率、压缩视频帧率，把有限的比特留给最关键的位置与力信号。

fs≥2fmax⁡\displaystyle f_s \ge 2 f_{\max}
奈奎斯特采样定理：遥测链路的采样频率 $f_s$ 至少要不低于主手动作信号中最高频率成分 $f_{\max}$ 的两倍，否则无法在从端无损重建操作者的动作波形。
  1. 采样频率 $f_s$链路每秒向从端发送多少次指令帧，单位 Hz，比如 100 Hz 就是每 10 毫秒一帧。
    fs=1Tsf_s = \dfrac{1}{T_s}
  2. 最高信号频率 $f_{\max}$主手动作波形中频率最高的分量，取决于操作员的抖动速度和动作爆发力。
    fmax⁡=max⁡ω{ω ∣ X(ω)≠0}f_{\max} = \max_\omega \{ \omega \, | \, X(\omega) \ne 0 \}
  3. 两倍关系 $2 f_{\max}$保证一个周期内至少采两个点，才能还原正弦波的峰谷信息。
    fs−2fmax⁡≥0f_s - 2 f_{\max} \ge 0

触觉反馈

小铁在核电站里拧阀门时，老周想知道“拧紧了吗？”。视觉可以告诉他阀门转盘的角度，但真正的“紧”是一种手感——阻力突然变大的那一下。触觉反馈（力反馈）技术把这种手感数字化：从端的力/力矩传感器测量机械臂与环境接触的力，经过遥测链路回传，主端的执行器向操作者的手施加对应的反作用力。于是老周的手心能“摸到”远方阀门的螺纹滑过密封面的触感。

在设计这种力反馈时，一个关键参数是力反馈增益 $K_f$——从端测得的力要放大还是缩小后再施加到主手？放大太多，操作者会觉得机械臂被放大了碰撞强度，系统容易因正反馈而震荡（手越抖、力越大、抖得更厉害）；放大太小，细小触感被湮没，操作者又像戴了厚手套摸东西。理想的 $K_f$ 设计还要考虑延迟：从端传来的力到达操作者手心已经晚了 $\tau_r$ 秒，若不加处理，操作者的手可能在已经碰到障碍物之后才感到阻力，造成“撞上了才知道”的错觉。

老周在戏台上有一个小装置：木偶脚的踢踏力度会通过一根弹性绳回传到他的手腕。绳子太硬，他手腕被勒得生疼且动作僵硬；太软，又感受不到小铁踢到台板的“一下”。找到一个恰到好处的弹性——这就是触觉反馈系统里工程师反复调 $K_f$ 的日常。

Fm(t)=Kf⋅Fe(t−τr)\displaystyle F_m(t) = K_f \cdot F_e(t - \tau_r)
主端施加给操作者的反馈力 $F_m(t)$，等于从端传感器测得的接触力 $F_e$ 经过增益 $K_f$ 缩放后，再延迟 $\tau_r$ 秒的版本。这就像木偶线上传来的“蹬蹬”震动——线多长，感觉就晚到多久。
  1. 从端接触力 $F_e(t - \tau_r)$从手在 $\tau_r$ 秒前与环境碰撞产生的力，经过链路回传后的数值。
    Fe=[ fx, fy, fz ]F_e = \big[\,f_x,\ f_y,\ f_z\,\big]
  2. 反馈增益 $K_f$决定反馈力强度的比例系数，用于匹配从端力与主端感受的尺度。
    Kf=FmFeK_f = \dfrac{F_m}{F_e}
  3. 主端呈现力 $F_m(t)$主手电机在 t 时刻向操作者手掌施加的合成力向量，包含触觉方向信息。
    Fm=Kf⋅Fe(t−τr)F_m = K_f \cdot F_e(t - \tau_r)

延迟补偿

老周最头疼的问题是“远”：控制室与核电站相距几十公里，信号在光纤里一来一回要花掉三百毫秒。这意味着他推下十字架后，小铁要愣一下才开始动；而小铁撞到障碍物时，他要晚半拍才感觉到阻力。更麻烦的是，如果他在延迟中继续加力，等反馈回来时已经“用力过猛”，整个回路会像老周和小铁在荡秋千一样越荡越高——这就是延迟引发的系统不稳定。

老周的解决之道是“预判”：他记住了这台木偶的响应规律，心里默数“一、二”，在预期小铁将要到达的位置提前松手或补力。工程上的外推补偿法正是这个思路的数学化：假设主手在延迟期内保持当前速度不变，用“此刻的速度 × 延迟时间”估算主手已经多走的路程，把它加到延迟信号上，抵消掉那半拍的滞后。更精巧的 Smith 预估器则构建一个无延迟的虚拟模型，让控制器先算出“如果在线，系统会怎样响应”，再用实际反馈加以修正。波变量方法则从能量角度给链路加一个“缓冲器”，保证无论延迟多大，系统都不会因能量累积而发散。

老周的“提前半拍”功夫越练越深，甚至能预判小铁走位。但外推补偿也有失灵的时候——比如他突然改变主意往回拉，速度方向变了，旧速度估算就会过冲。所以他始终保留着一手“保险”：补偿强度受限，宁可不那么“跟手”，也不能让木偶甩出去。这份克制，正是波变量方法在能量层面的严谨版。

xs(t)=xm(t−τ)+x˙m(t−τ)⋅τ\displaystyle x_s(t) = x_m(t - \tau) + \dot{x}_m(t - \tau) \cdot \tau
外推补偿的典型公式：从手的目标位置 = 延迟到达的旧位置信号 + 用当时速度估算出的额外位移。它像老周在木偶还没动时，先默算好“它现在应该到哪儿了”，再按这个预判去操作。
  1. 延迟旧位置 $x_m(t - \tau)$主手在 $\tau$ 秒前发出的位置信号，此刻才到达从端。
    xm(t−τ)=[ px, py, pz ]x_m(t - \tau) = \big[\,p_x,\ p_y,\ p_z\,\big]
  2. 延迟时速度 $\dot{x}_m(t - \tau)$主手在发出该信号瞬间的运动速度，用于估算延迟期内“多走了多少路”。
    x˙m=xm(t)−xm(t−Δt)Δt\dot{x}_m = \dfrac{x_m(t) - x_m(t - \Delta t)}{\Delta t}
  3. 补偿位移项 $\dot{x}_m \cdot \tau$速度 × 延迟时间，估算出从信号发出到现在主手额外前进的距离。
    Δx=x˙m(t−τ)⋅τ\Delta x = \dot{x}_m(t - \tau) \cdot \tau
  4. 合成目标 $x_s(t)$将旧位置加上补偿项，得到更接近主手当前实际位置的目标值。
    xs(t)=xm(t−τ)+x˙m⋅τx_s(t) = x_m(t - \tau) + \dot{x}_m \cdot \tau

典型应用

老周的表演之所以远近闻名，是因为观众不敢走近的地方，偏偏有他最精彩的戏。遥操作系统的舞台正是这样一些“人不能去、或不便去”的场景：核电站反应堆厂房里的设备检修与废料处理、太空轨道上卫星的燃料加注与在轨维修、深海高压下的油气管道巡检与救援打捞。在这些应用里，遥操作不是提高效率的选项，而是唯一可行的答案。

在这些场景中，安全设计被提到最高优先级。一条贯穿所有应用的安全准则是“距离留足、速度受限”：从手的运动速度上限与通信往返延迟共同决定了安全制动距离，就像高速公路上安全车距 = 车速 × 反应时间。工程师据此设计速度钳制、紧急停机回路和延迟超限自动保持模式，确保当链路抖动或延迟超标时，小铁会停在原地等待，而不会带着惯性撞上核燃料组件或卫星太阳能帆板。

老周如今在控制室表演的每一场“戏”，都先算好安全边距：木偶离阀门太近就自动减速，信号断了就原地定格。观众们（工程师们）不再为他捏把汗，反而为这套精密的“安全绳”叫好——而这份踏实，正是遥操作技术从实验室走向工业现场的通行证。

dsafe=vmax⁡⋅τrt+dstop\displaystyle d_{safe} = v_{\max} \cdot \tau_{rt} + d_{stop}
安全距离公式：从手允许的最大速度 $v_{\max}$ 乘以通信往返时延 $\tau_{rt}$，再加上制动距离 $d_{stop}$，就是在紧急停机指令到达前，从手可能滑过的总路程。
  1. 最大速度 $v_{\max}$系统允许从手运动的最大线速度，由安全策略限定，常在设计与调试中标定。
    vmax⁡=min⁡(vmech, vsafety)v_{\max} = \min\big(v_{mech},\ v_{safety}\big)
  2. 往返时延 $\tau_{rt}$指令从主端到从端、反馈从从端回主端的总延迟。
    τrt=τforward+τbackward\tau_{rt} = \tau_{forward} + \tau_{backward}
  3. 制动距离 $d_{stop}$从手从最大速度减速到零所需的路程，取决于电机力矩与负载惯量。
    dstop=vmax⁡22abraked_{stop} = \dfrac{v_{\max}^2}{2 a_{brake}}
  4. 安全距离 $d_{safe}$从手作业半径与障碍物之间必须保持的最小间距。
    dsafe=vmax⁡⋅τrt+dstopd_{safe} = v_{\max} \cdot \tau_{rt} + d_{stop}

AI 应用场景

核电站放射性环境检修

阶段：人机协同控制环节

解决的问题：核反应堆厂房内的管道阀门检修通常在强放射性环境中进行，人工进入不仅受辐射剂量限值约束，且穿着厚重防护服（铅衣或高压服）时手部精度大幅下降。传统的机械长柄工具只能实现简单的推拉动作，无法完成拧螺栓、插拔接头等精细操作。遥操作系统让操作员在控制室内戴着主手操控器，通过闭环力反馈“隔空”检修，既保证了人员安全，又保留了人手级的精细度。

具体案例：法国 La Hague 核燃料后处理厂使用 MA23 型主从机械臂处理放射性零件，操作员透过铅玻璃观察窗配合机械手进行切割、分拣。现代升级版加入力传感器与遥测链路后，操作员不用再贴着观察窗，而是在数公里外的控制中心完成同样的作业，系统会在接触力超限或延迟大于 500ms 时自动进入保持模式。

太空在轨服务与卫星维护

阶段：远程操控与状态监控环节

解决的问题：太空环境下宇航员舱外活动（EVA）风险极高，每次出舱都要消耗大量生命保障资源。对于卫星燃料加注、天线展开故障修复等任务，地面站或舱内宇航员通过遥操作控制舱外机械臂，可以避免危险出舱。然而太空链路延迟大且不稳定（低轨卫星经中继可达数百毫秒），必须引入延迟补偿与力反馈才能稳定操作。

具体案例：国际空间站上的 Canadarm2 机械臂常由舱内宇航员或地面控制中心遥操作执行对来访飞船的捕获与停靠，操作员通过回传画面与力觉信息判断对接状态。NASA 的 Robonaut 2 类似人形机器人则被设计为可执行舱外精细任务，地面人员通过主从遥操作配合自主规划完成更换单元的任务。

Python 演示

python66 行
import numpy as npimport matplotlib.pyplot as plt class TeleopSim:    def __init__(self, delay_steps=8, kp=0.6, use_comp=True):        self.delay_steps = delay_steps        self.kp = kp        self.use_comp = use_comp        self.command_history = [0.0] * (delay_steps + 1)        self.slave_pos = 0.0        self.step_count = 0     def master_target(self, t):        # 主手轨迹：低频正弦，模拟平稳操作        return np.sin(t * 0.3)     def step(self, t):        target = self.master_target(t)        self.command_history.append(target)        if len(self.command_history) > self.delay_steps:            self.command_history.pop(0)         delayed = self.command_history[0]        if self.use_comp:            # 用最近两拍估算速度，补偿延迟期间主手的位移            velocity = self.command_history[-1] - self.command_history[-2]            reference = delayed + velocity * self.delay_steps        else:            reference = delayed         error = reference - self.slave_pos        self.slave_pos += self.kp * error        self.step_count += 1        return target, self.slave_pos, abs(target - self.slave_pos) def simulate(use_comp=True):    sim = TeleopSim(delay_steps=8, use_comp=use_comp)    steps = 120    time_axis = np.arange(steps)    masters = []    slaves = []    errors = []    for t in range(steps):        m, s, e = sim.step(t)        masters.append(m)        slaves.append(s)        errors.append(e)    return time_axis, masters, slaves, errors def plot_result(time_axis, masters, slaves, errors, title):    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 5))    ax1.plot(time_axis, masters, label="master command", color="#818CF8")    ax1.plot(time_axis, slaves, label="slave response", color="#10B981")    ax1.set_title(title)    ax1.legend()    ax1.grid(True)    ax2.plot(time_axis, errors, label="tracking error", color="#F43F5E")    ax2.set_title("tracking error")    ax2.legend()    ax2.grid(True)    plt.tight_layout()    plt.show() if __name__ == "__main__":    time_axis, masters, slaves, errors = simulate(use_comp=True)    plot_result(time_axis, masters, slaves, errors, "Teleoperation with delay compensation")
目的：以 8 步模拟 80ms 通信延迟，对比外推补偿对从手跟踪误差的改善效果。
  1. self.command_history = [0.0] * (delay_steps + 1)延迟缓冲队列，模拟信号在链路中“排队等待”的过程，队列长度等于延迟步数。
  2. delayed = self.command_history[0]取队列头的旧指令，这是在现实链路中从端此刻才刚刚收到的过时位置信号。
  3. velocity = self.command_history[-1] - self.command_history[-2]用最近两个采样点的差分估算主手当前速度，相当于老周判断“我这会儿推得有多快”。
  4. reference = delayed + velocity * self.delay_steps外推补偿：把旧信号加上速度 × 延迟步数，预估主手此刻真正的位置。
  5. self.slave_pos += self.kp * error比例控制器驱动从手向目标靠拢，kp 越大跟随越快但越容易震荡。

常见误区

误区既然都是远程控制，遥操作和自动驾驶汽车、自主导航机器人应该差不多，都是程序自动跑，人偶尔干预一下。

正解遥操作的核心恰恰是“人在回路”——每一次动作的细节都来自操作员的实时操控，机器人只是忠实的执行者；而自动驾驶是机器人自主决策，人只是监督者。就像老周的木偶戏：遥操作是老周每一根手指都在牵线掌控，自动驾驶则是木偶自己学会了跳舞，老周只需在旁边看着别摔跤。虽然现代遥操作越来越多引入局部自主（如自动避障），但系统的本质仍是“人的意图通过链路延伸到远端”。

为何常见：因为两者都涉及“远处的机器”，又都用到通信和控制技术，初学者容易把它们混为一谈。

误区5G 和光纤都很快，延迟只要从 500ms 降到 50ms，遥操作就完全没问题了，延迟补偿可有可无。

正解延迟的影响并不仅看大小，更要看“往返时延”是否随时变化、以及延迟与力反馈是否耦合。即便 50ms 的固定延迟，在高增益力反馈下也可能诱发系统震荡；而抖动更致命的延迟变化，会让外推补偿的预测频繁出错。关键不在“小”，而在“可预测、受约束”。老周的功夫再高，若线有时绷紧有时松弛，他也无法预判木偶的走位。所以工程师宁可要稳定的 300ms，也不要忽大忽小的 100ms。

为何常见：人们用日常网络体验来类比——视频通话延迟 50ms 毫无感觉，于是想当然认为机器人控制也一样。

误区力反馈就是在主手上装个震动马达，碰到障碍物时“嗡嗡”震一下提醒操作员就足够了。

正解真正的触觉反馈是连续的、双向的力-位置耦合：从端接触力的大小、方向、刚度变化都要实时映射为主手上的持续反作用力，操作员能通过手感判断“管子是硬钢管还是软胶管”“阀门是否已经拧到底”。震动提示只给了“有/无”二值信号，而力反馈给出的是模拟量的触感流。就像老周不是靠绳子“拉一下”才知道木偶踢到了台板，而是靠绳子传来的持续阻力变化来判断踢的力量和台板的质感。

为何常见：因为消费级设备（游戏手柄、手机）普及了马达震动，大家便用最熟悉的体验去套专业概念。

误区既然叫“遥操作”，主手推多少从手就必须动多少，缩放会破坏操作的直观感，不真实。

正解工程实践中缩放（$K_p \ne 1$）反而常是必需：在微创手术中需要 10:1 的缩小映射，把医生 1cm 的手腕抖动降到 1mm 的刀尖动作；在大型机械臂作业中需要放大映射，让小范围手柄移动覆盖大范围工作空间，避免频繁换挡。缩放还伴随安全钳制——限制从手最大速度和最大力度。老周在舞台上既会放大动作表演“大鹏展翅”，也会缩小动作表现“绣花”，缩放不是失真，而是表演的需要。

为何常见：人们从“遥控玩具车”的体验出发，认为操作杆和车辆是 1:1 的，忘了工业遥操作本质上是一种可调映射。

面试题

Q1. 遥操作系统的“三要素”指的是什么？

单选题 · easy

  • A.主端、从端、通信链路← 正确答案
  • B.传感器、电机、控制器
  • C.视觉、听觉、触觉
  • D.数据、算法、算力

答案：A。遥操作系统的三要素是主端（操作员接口）、从端（远端机器人）和通信链路（遥测信道），对应老周、小铁和那条看不见的“线”。B 是机器人硬件组件，C 是人的感知通道，D 是 AI 系统要素，均非遥操作特有结构。

Q2. 奈奎斯特采样定理对遥测链路的基本要求是？

单选题 · easy

  • A.采样率不低于信号最高频率的两倍← 正确答案
  • B.采样率越高越好，没有上限
  • C.采样率等于通信延迟的倒数
  • D.采样率只需覆盖信号平均频率

答案：A。定理要求 $f_s \ge 2 f_{\max}$，即采样率至少是信号最高频率的两倍，才能从样本中无失真重建原信号。B 忽略了成本与带宽约束，C 把采样与延迟错误绑定，D 用平均频率代替最高频率，均不正确。

Q3. 位置映射公式 $x_s(t) = K_p \cdot x_m(t)$ 中，$K_p$ 的主要作用是？

单选题 · mid

  • A.调整主从之间的位置缩放比例← 正确答案
  • B.增大通信链路的带宽
  • C.提高从端传感器的采样率
  • D.缩短信号的往返延迟

答案：A。$K_p$ 是位置增益，决定从手动作相对主手的放大或缩小程度。它不改变带宽、采样率或延迟，那些由链路物理层决定。微创手术用 $K_p < 1$ 得到精细操作，大型机械臂则可能用 $K_p > 1$ 扩大工作范围。

Q4. 通信延迟对遥操作稳定性的最主要危害是？

单选题 · mid

  • A.导致从端响应滞后，回环中形成能量累积并振荡← 正确答案
  • B.降低操作员的视觉清晰度
  • C.使从端机器人电池消耗加快
  • D.只影响视频画面不会影响力反馈

答案：A。延迟使主从之间的力与位置信号在闭环中不同步，容易诱发系统振荡甚至失稳，如同老周和小铁在秋千上越荡越高。画质、续航不是主要危害；D 说“不影响力反馈”与事实相反，延迟恰恰对力反馈闭环最具破坏性。

Q5. 外推补偿法估算主手“延迟期内多走的路程”时，用的关键信息是？

单选题 · mid

  • A.主手发出信号时刻的瞬时速度← 正确答案
  • B.从端环境的温度数据
  • C.通信链路的丢包率统计
  • D.操作员的握力大小

答案：A。外推法用“延迟时速度 × 延迟时间”估算补偿位移，其中速度来自最近采样差分。温度、丢包率、握力都不直接描述主手的运动趋势。老周的“预判”正是基于他刚才推木偶的速度来估算木偶现在该到哪儿。

Q6. 已知往返时延为 400ms，从手当前最大线速度为 0.25m/s，制动距离为 0.02m，则安全距离至少为？

单选题 · hard

  • A.0.12m← 正确答案
  • B.0.10m
  • C.0.22m
  • D.0.08m

答案：A。根据 $d_{safe} = v_{\max} \cdot \tau_{rt} + d_{stop}$，代入 $0.25 \times 0.4 + 0.02 = 0.12$m。B 漏加了制动距离，C 把速度乘以两倍时延，D 只算延迟部分。这道题对应“速度钳制与安全距离”准则。

Q7. Smith 预估器补偿延迟的基本思路是？

单选题 · hard

  • A.用无延迟的模型预测系统响应来修正控制器← 正确答案
  • B.增大反馈力的增益使手部更敏感
  • C.降低采样频率以减小数据量
  • D.让从手在延迟期间保持匀速运动

答案：A。Smith 预估器构建一个不含延迟的过程模型，控制器先根据模型计算理想响应，再用延迟后真实反馈修正偏差，从而把延迟“移出”反馈回路。B 会让系统更易震荡，C 与补偿无关，D 是简单的零阶保持而非预测。

Q8. 下列哪些场景适合采用远程操作技术？

多选题 · easy

  • A.核电站放射性废料分拣← 正确答案
  • B.太空卫星在轨燃料加注← 正确答案
  • C.餐厅自动送餐机器人
  • D.深海油气管道阀门检修← 正确答案

答案：ABD。A、B、D 都是人不宜直接进入或难以到达的高危环境，适合遥操作。C 的送餐机器人通常在结构化室内自主导航，无需人在回路实时操控，属于自主机器人而非遥操作。

Q9. 导致遥操作系统不稳定的常见因素有哪些？

多选题 · mid

  • A.往返延迟过大且抖动← 正确答案
  • B.力反馈增益设置过高← 正确答案
  • C.从端采样频率过低← 正确答案
  • D.操作员休息时间不足

答案：ABC。延迟过大及抖动让闭环相位裕度下降；力反馈增益过高形成正反馈震荡；采样频率过低违反奈奎斯特条件，三者都是工程上明确的不稳定源。D 属于人的操作疲劳管理，不属于系统稳定性范畴，但可通过安全联锁缓解。

Q10. 在核电站遥操作系统中，下列哪些属于必要的安全设计？

多选题 · hard

  • A.设置最大速度钳制与位置限位← 正确答案
  • B.部署紧急停机独立回路← 正确答案
  • C.延迟超限自动切换保持模式← 正确答案
  • D.无限放大反馈力让手部感知更清楚

答案：ABC。速度钳制、急停回路和延迟超限保持都是危险环境遥操作的标配安全策略，对应安全距离公式的工程落地。D 恰恰相反，过大的反馈增益会引发震荡，安全设计应限制而非放大反馈力。