一种新的三层级控制架构使浮基机器人（人形机器人和四足机器人）能够抵抗人类物理推搡和持续接触力，且稳态误差为零，同时不牺牲平衡。通过将用于 locomotion 的质心模型预测控制（MPC）与另一个以1 kHz频率预测并抵消人机交互力的阻抗MPC相结合，该系统填补了先前工作的结构空白。
目录
研究人员构建了什么
Yongyan Cao 开发了一个控制栈，在浮基机器人（人形或四足）上运行三个嵌套循环。最外层——质心MPC——以40–100 Hz运行，在500毫秒视野内规划质心轨迹和地面反作用力。中间层——全身控制（WBC）层级——以500 Hz运行，将这些地面力分解为关节力矩，用于接触维持和平衡。关键的是，WBC层级将手臂末端执行器任务槽保持开放。
这个开放槽由最内层填充：一个以约1 kHz运行的阻抗MPC。该层使用手臂残差动力学的接触一致动态模型预测并抵消物理人机交互（pHRI）力。与标准PD阻抗律不同，阻抗MPC使用一个滚动时域二次规划（QP），同时考虑预测的扰动和机器人的力矩限制。卡尔曼滤波器估计外力扰动，接触模式切换协议确保当机器人在站位阶段之间过渡（例如，双支撑到单支撑）时滤波器快速重新收敛。
关键结果
论文在两个平台上报告了仿真实验：一个通用人形模型和官方 Unitree G1 MJCF 模型（29自由度，33.3 kg）。测试了三个主要场景：
- 场景A（持续推搡）： 在机器人双支撑站立时，对手臂末端执行器施加8 N恒力。阻抗MPC实现了零稳态跟踪误差，而传统PD阻抗律漂移2–3厘米且无法完全抑制扰动。
- 场景B（推搡 + 周期性尖峰）： 8 N持续力叠加1 Hz的6 N尖峰（持续时间0.1秒）。阻抗MPC将末端执行器位置误差保持在0.5厘米以下，之后恢复为零；PD律的峰值误差超过4厘米。
- 场景C（Unitree G1真实模型）： 在官方G1模型上运行相同场景A协议，确认了架构的可移植性，实现了相当的零稳态误差，峰值瞬态误差相比PD减少80%。
接触过渡的收敛边界表明，卡尔曼滤波器在协方差膨胀后约10个采样（1 kHz下10 ms）内重新收敛，确保即使脚抬起或落地时力估计仍然准确。
工作原理
机器人状态由广义坐标描述：6自由度浮基加上关节角度。控制层级利用接触一致质量逆，将任务力投影到刚性接触约束的零空间中。这确保了阻抗MPC生成的命令不会违反运动学接触约束或干扰平衡。
架构分解：
| 层级 | 组件 | 频率 | 目标 |
|---|---|---|---|
| 1 | 质心MPC | 40–100 Hz | 使用单刚体动力学（SRBD）模型规划质心轨迹和地面反作用力（500 ms视野） |
| 2 | WBC层级 | 500 Hz | 将层级1的力分解为关节力矩，用于接触任务和平衡，保持手臂末端执行器任务槽开放 |
| 3 | 阻抗MPC | ~1 kHz | 用滚动时域QP填充手臂槽，预测并抵消pHRI扰动 |
阻抗MPC使用残差被控对象模型：在层级2提交平衡力矩后，剩余的手臂末端执行器动力学被线性化，并加上外力扰动状态。卡尔曼滤波器在线估计扰动。在每个时间步，MPC求解一个QP，最小化跟踪误差和力矩代价，同时尊重关节力矩限制。扰动估计被馈入模型以抵消人力。
对于接触过渡（例如，抬起一只脚），一个协议会膨胀卡尔曼滤波器的协方差，并保持当前扰动估计恒定，直到滤波器重新收敛（约10个采样）。这避免了接触集变化时的较大瞬态尖峰。
为何对机器人学重要
浮基机器人——人形和四足——正越来越多地从研究实验室进入仓库、工厂和家庭。它们需要与人类安全协作，而不仅仅是行走和平衡。在协作任务中，人类可能意外碰到手臂、推动肩膀或抓握肢体。先前针对 locomotion 优化的控制栈将手臂视为被动质量，或使用高增益位置控制来抵抗交互力，使机器人变得僵硬且危险。
该架构直接填补了这一空白。通过预留一个计算“槽”用于阻抗MPC，机器人可以在保持平衡的同时主动顺从人力，甚至抵抗持续推搡以继续执行任务。1 kHz的更新率与典型力/力矩传感器循环的速度匹配，因此该系统已准备好部署在 Unitree G1 或 R1 等平台上。
对于仓储和制造业应用，这意味着人形机器人可以在不需要安全笼的情况下协助零件搬运、装配或工具操作。对于浏览Robot Overflow上的人形机器人，只要支持力矩控制手臂，该控制方案可实现安全物理协作。
局限与开放问题
目前结果仅在仿真中验证（通用人形和Unitree G1模型）。硬件验证被列为未来工作。该架构假设扰动力仅施加于手臂末端执行器；尚未处理躯干或腿上的多个同时接触点。此外，接触模式切换协议目前仅处理预定义接触状态集之间的过渡；动态行走和可变步态序列需要扩展质心MPC以在线生成落脚点。最后，卡尔曼滤波器依赖于准确的关节力矩测量，这在低成本伺服电机上可能噪声较大。
常见问题
全身阻抗MPC解决了什么问题？ 它解决了浮基机器人在人类对手臂施加持续或冲击力时，同时保持平衡和精确手臂定位的问题。
这与标准阻抗控制有何不同？ 标准PD阻抗控制在恒定扰动下无法实现零稳态误差；阻抗MPC使用预测模型和扰动估计来完全抵消人力。
这对带有手臂的四足机器人也适用吗？ 是的——控制框架是接触一致的，适用于任何带有驱动关节和手臂末端执行器的浮基机器人，包括腿足操作器。
需要哪些传感器？ 系统需要关节编码器、力矩传感器（或基于电流传感的力矩估计），以及可选的在手腕处安装力/力矩传感器以改善卡尔曼收敛。无需外部运动捕捉。
结论
Yongyan Cao 提出的三层级架构填补了浮基机器人控制的一个关键空白：它增加了一个快速、预测性的顺应层用于物理人机交互，而不牺牲平衡。在通用人形和Unitree G1上的仿真结果显示，与常规PD阻抗相比，实现了零稳态误差和显著更低的峰值误差。硬件部署路径清晰，该方法可使人形机器人在人类环境中更安全、更实用。
我们距离看到无需每个关节安装力/力矩传感器就能安全与人类协作的人形机器人还有多远？