机器人控制：从传感器到全身控制

2025-12-24

机器人学

1.4k 词

涵盖机器人常用传感器、编码器、以及现代控制方法（WBC、LQR、MPC）。

惯性传感器（IMU）

IMU（Inertial Measurement Unit）测量物体的角速度和加速度，通过积分得到姿态、速度和位置。

组成

加速度计：测量线加速度（含重力分量）
陀螺仪：测量角速度
磁力计（部分 IMU 包含）：测量地磁场，用于修正航向角

姿态解算

从角速度积分得到姿态角（欧拉角/四元数），但纯积分存在漂移。通常使用互补滤波或卡尔曼滤波融合加速度计和陀螺仪数据。

编码器

编码器测量电机转动角度和速度，分为：

增量式：输出脉冲信号，需要累计计数（断电后丢失位置）
绝对式：直接输出绝对角度值（断电不丢失）

编码器数据通过硬件接口（CAN/串口）读取，经过减速比换算得到关节实际角度。

传感器数据分析

机器人系统中常见传感器数据处理：

低通滤波：去除高频噪声
移动平均滤波：平滑数据，减少毛刺
中值滤波：去除脉冲噪声
卡尔曼滤波：多传感器融合的最优估计

现代控制方法

LQR（线性二次型调节器）

适用于线性系统的最优控制。通过求解 Riccati 方程得到状态反馈增益矩阵 K，使二次型代价函数最小。

$$u = -Kx$$

需要系统的线性化模型
参数通过 Q（状态权重）和 R（控制权重）矩阵调节

MPC（模型预测控制）

在每个采样时刻求解有限时域内的优化问题，只执行第一步控制量，下一时刻重新优化。

能处理约束（输入/状态限制）
计算量大，对实时性有要求
常用于轨迹跟踪、自动驾驶

	LQR	MPC
优化方式	离线求解 Riccati 方程	在线求解优化问题
约束处理	不能直接处理	天然支持
计算量	小	大
适用场景	调节、镇定	轨迹跟踪、预测

WBC（全身控制）

Whole-Body Control 将机器人的多个任务（如末端位姿、质心、姿态等）统一在一个优化框架中求解。

核心思想：将任务按优先级排列，低优先级任务在高优先级任务的零空间中执行，互不干扰。

$$\dot{q} = J_1^+ \dot{x}_1 + (I - J_1^+ J_1) J_2^+ \dot{x}_2$$

$J_i$：各任务的雅可比矩阵
$J^+$：伪逆
$(I - J_1^+J_1)$：任务 1 的零空间投影

WBC 在足式机器人（四足、人形）中应用广泛，能同时处理平衡、行走、操作等多个目标。

控制器插件机制

在 ROS 中，控制器以插件形式注册和加载：

#include <controller_interface/controller.h>
#include <pluginlib/class_list_macros.h>

class MyController : public controller_interface::Controller<JointStateInterface> {
    bool init(JointStateInterface* hw, ros::NodeHandle& nh) override { ... }
    void update(const ros::Time& time, const ros::Duration& period) override { ... }
};

PLUGINLIB_EXPORT_CLASS(MyController, controller_interface::ControllerBase)

通过 pluginlib 动态加载，配合 ros_control 实现热插拔式控制器管理。

标签