进阶 V · 机器人学与状态估计
层次：研究生方向 + 快速增长的产业 ｜ 本页把前面的工具用到一个完整对象上。 机器人是控制理论最集中的应用场：它同时涉及非线性动力学（第十五页）、多变量控制（第七页）、状态估计（第九页）、约束优化（第十七页）与实时实现（第十、十三页）。本页给出机器人学的骨架，并说明控制在其中的位置。
一、运动学：从关节角到末端位姿
正运动学：给定关节角 \(q\)，求末端位姿 \(T(q)\)。用 DH 参数或齐次变换矩阵逐关节连乘，总是有唯一解，计算直接。
逆运动学：给定期望位姿，求关节角。困难得多：
- 可能无解（超出工作空间）；
- 可能多解（如肘上/肘下两种姿态）；
- 可能无穷解（冗余机器人，自由度多于任务维数——如 7 轴机械臂做 6 维任务，多出的自由度可用来避障或优化姿态）。
雅可比矩阵 \(J(q)\) 连接关节速度与末端速度：
奇异位形是关键概念：当 \(J\) 降秩时，机器人在某些方向失去运动能力，而反解 \(\dot q = J^{-1}\dot p\) 会要求无穷大的关节速度。
工程后果：轨迹必须避开奇异点附近，或使用阻尼最小二乘（DLS）伪逆：
这本质上是正则化（🔗 与岭回归同一数学）——用一点跟踪误差换取有界的关节速度。又一次"用精度换可行性"的权衡。
二、动力学
- \(M(q)\)：惯量矩阵（随姿态变化——这是机器人本质非线性的主要来源）；
- \(C\)：科氏与离心项；\(G\)：重力项；\(F\)：摩擦（第十五页的老对手）。
几个有用的结构性质（它们使许多控制方法成为可能）：
- \(M\) 对称正定；
- \(\dot{M}-2C\) 反对称——这个性质直接用于 Lyapunov 稳定性证明；
- 对参数线性：\(\tau = Y(q,\dot q,\ddot q)\Theta\)，\(\Theta\) 是惯性参数向量。这使参数辨识成为线性最小二乘问题（第十八页），是工业机器人标定的基础。
主要控制方法：
| 方法 | 思想 | 评价 |
|---|---|---|
| 独立关节 PD/PID | 每关节当作独立系统，把耦合当扰动 | 工业机器人的主流做法（高减速比使耦合减弱） |
| PD + 重力补偿 | 加上 \(G(q)\) 前馈 | 简单有效，可用无源性证明稳定 |
| 计算力矩法 | 用模型抵消非线性（反馈线性化，第十五页） | 性能好，依赖模型精度 |
| 阻抗/导纳控制 | 不控位置或力，而控二者的动态关系 | 人机协作与接触作业的关键 |
阻抗控制值得强调：与环境接触时，纯位置控制是危险的（微小位置误差可产生巨大接触力）。阻抗控制让机器人表现得像一个可调的弹簧-阻尼系统：
设计者直接指定期望的"柔顺程度"——这是协作机器人（cobot）能安全地与人共处的技术基础。从"控制位置"转向"控制动态关系"，是一个观念上的跃迁。
三、轨迹规划
分层结构（与第十七页的 MPC 分层同构）：
- 路径规划：RRT/RRT、PRM（采样法，适合高维）、A/Dijkstra（栅格）、势场法（易陷局部极小）；
- 轨迹生成：在路径上分配时间，满足速度/加速度/加加速度（jerk）限制。限制 jerk 对减少机械振动与磨损很重要；
- 优化式方法：直接把避障与动力学约束写进优化问题——这正是 MPC 的思路（第十七页），当前主流方向。
四、状态估计与 SLAM
机器人必须知道自己在哪。这是第九页卡尔曼滤波的主战场。
SLAM（同步定位与建图）：在未知环境中，同时估计自身位姿与环境地图。
它的困难在于"鸡与蛋"：定位需要地图，建图需要定位。这在数学上是一个联合估计问题。
主要方法：
- 滤波式：EKF-SLAM（状态含机器人位姿 + 所有地标，协方差矩阵随地标数平方增长，难以扩展）；粒子滤波（FastSLAM，适合多峰分布）；
- 优化式（现代主流）：图优化 / 因子图——把位姿与观测建成图，求解非线性最小二乘。回环检测（认出"我来过这里"）提供强约束，可显著校正累积漂移；
- 传感器：激光雷达、视觉（VIO：视觉惯性里程计）、IMU、轮式里程计、GNSS。多传感器融合是常态，因为各自的误差特性互补（承第九页）。
关键概念——可观性退化：某些运动模式下部分状态不可观（如纯旋转时无法估计尺度、匀速直线运动时某些偏差无法辨识）。好的实现必须能表达"这个方向我不确定"，而非给出一个自信的错误估计。这是第九页那句"滤波器不能过度自信"在机器人上的具体化。
五、当前的活跃方向
- 足式机器人：欠驱动、接触切换、实时性要求高。实时非线性 MPC + 全身控制是当前主流框架，落脚点规划与平衡恢复是核心问题；
- 柔顺与接触作业：装配、打磨、人机协作——阻抗控制 + 力感知；
- 移动操作：底盘 + 机械臂协同，冗余度更高；
- 学习与控制结合（第二十页）：从演示中学习、sim2real、视觉-动作策略。这是当前投入最大、争议也最多的方向。
六、机器人为什么是好的综合训练
它把本课的几乎所有内容串在一起：
| 用到 | 页 |
|---|---|
| 级联控制、PID 整定 | 第六、十二页 |
| 状态空间与 MIMO | 第七页 |
| 状态估计与传感器融合 | 第九页 |
| 采样、实时性 | 第十、十三页 |
| 电机与驱动 | 第十二页 |
| 非线性与 Lyapunov | 第十五页 |
| 约束优化与 MPC | 第十七页 |
| 参数辨识 | 第十八页 |
| 功能安全（协作机器人的力/速度限制） | 第十四页 |
且它有一个教学上的巨大优势：可以看见。 控制律的好坏直接表现为机器人动作的流畅或抖动——这种即时的、具身的反馈，是理解控制最有效的途径之一。
七、要点
- 逆运动学可能无解/多解/无穷解；奇异位形处雅可比降秩，需阻尼伪逆（正则化）；
- 动力学的结构性质（对称正定、反对称、参数线性）是控制与辨识方法的基础；
- 工业机器人主流仍是独立关节 PID + 前馈——高减速比削弱了耦合；
- 阻抗控制把目标从"位置"改为"动态关系"，是接触作业与人机协作的关键；
- SLAM 的现代主流是图优化 + 回环检测；
- 可观性退化时必须诚实表达不确定性。
线四结束。下一线走向前沿：当模型难以获得、任务难以形式化时，能否让系统从数据中学会控制？以及——怎样在学习的同时保证安全。