2. 人形机器人硬件基础
人形机器人的全身控制算法最终要落到物理实体上执行，硬件平台决定了控制的边界：能感知什么、能驱动什么、能以多快的频率闭环。本章从典型平台（Atlas、Optimus、Digit）的机械结构出发，拆解传感器、执行器和计算单元的选型逻辑与工程约束，帮助你在学习控制算法之前建立“硬件决定控制上限”的系统认知。
上图展示了人形机器人硬件系统的核心链路：计算单元通过通信总线与执行器和传感器交互，电源域为所有子系统供电，机械结构作为承载平台。这张图是后续所有控制算法讨论的物理基础——你需要时刻清楚：控制指令从计算单元发出，经过总线传输，驱动执行器产生力矩，同时传感器将状态反馈回计算单元，形成闭环。
2.1 典型人形机器人平台对比：Atlas、Optimus、Digit
不同平台的设计哲学直接决定了控制算法的实现方式。我们以三个最具代表性的平台为例，分析其机械结构差异与控制含义。
| 平台 | 自由度 | 执行器类型 | 身高/重量 | 控制频率 | 设计定位 |
|---|---|---|---|---|---|
| Boston Dynamics Atlas | 28（早期液压）/ 40+（电动版） | 液压伺服（早期）/ 电动+谐波（新版） | 1.5m / 80kg | 2kHz 关节环 | 极限运动能力（跑酷、后空翻） |
| Tesla Optimus | 28（全身）+ 11（单手） | 无框力矩电机 + 行星滚柱丝杠 | 1.73m / 57kg | 1kHz 关节环 | 工业场景替代重复劳动 |
| Agility Digit | 20（下肢+躯干）+ 双手 | 电动直驱 + 低减速比 | 1.75m / 65kg | 500Hz-1kHz | 物流搬运、人机协作 |
核心原理：液压执行器具有极高的功率密度（可达 10kW/kg），适合爆发性动作，但存在能效低（<30%）、漏油风险、维护复杂等问题。电动执行器虽然功率密度较低（约 1-3kW/kg），但控制精度高、响应快、能效高（>70%），且易于实现力矩闭环。当前行业趋势明显偏向电动方案——Atlas 在 2024 年也宣布转向电动版本，这印证了电驱在实用化场景中的优势。
判断方法：选择平台时，你需要评估三个关键指标：功率密度（决定能否完成高动态动作）、力矩控制精度（决定接触操作的柔顺性）、能效（决定续航时间）。如果做研究验证，Digit 的开源程度较高；如果做工业应用，Optimus 的规模化成本优势明显；如果研究极限运动控制，Atlas 的硬件能力最强但获取难度极大。
2.2 传感器系统：感知是控制的前提
人形机器人的传感器系统分为本体感知（ Proprioception）和外部感知（Exteroception）两大类。本体感知解决“我自己的状态是什么”，外部感知解决“周围环境是什么”。
2.2.1 核心传感器类型与选型
- IMU（惯性测量单元）：通常安装在骨盆或躯干中心，提供三轴加速度和三轴角速度。典型型号如 Bosch BMI088（消费级）、ADI ADIS16470（工业级）。IMU 数据经过姿态解算（互补滤波或卡尔曼滤波）得到躯干姿态角，这是全身协调控制的基础参考系。
- 关节编码器：分为式磁编码器（如 AS5047P）和光学编码器（如 Renishaw 系列）。磁编码器成本低、抗污染，但精度较低（±0.1°）；光学编码器精度高（±0.005°），但价格昂贵且对环境敏感。对于髋关节、膝关节等大扭矩关节，推荐使用双编码器方案（电机端+输出端）以消除减速器回差。
- 力/扭矩传感器：六维力传感器（如 ATI Mini45、坤维科技 KWR75）安装在脚踝和手腕，测量三个方向的力和三个方向的力矩。这是实现柔顺控制（阻抗控制、导纳控制）的关键——没有力反馈，机器人无法感知接触力，也就无法安全地与人和环境交互。
- 足底压力阵列：使用薄膜压力传感器（如 FlexiForce）或压阻阵列，分布在脚掌不同区域，用于检测零力矩点（ZMP）位置，辅助步态规划与平衡控制。
经验提醒：IMU 的安装位置对控制效果影响巨大。安装在躯干质心附近可减少离心力干扰；如果安装在头部，则头部运动会产生额外的加速度噪声。实际工程中，我们通常将 IMU 与主控板通过减震海绵隔离，避免高频振动耦合进姿态解算。
2.2.2 传感器数据同步与时间戳
全身控制要求所有传感器数据在同一时间基准上。EtherCAT 总线天然支持分布式时钟同步（精度 < 1μs），而 CAN 总线需要软件同步（精度约 100μs）。在 1kHz 控制频率下，100μs 的偏差意味着 10% 的周期误差，可能导致控制不稳定。
// 传感器数据时间戳对齐伪代码
void sync_sensor_data() {
uint64_t master_time = get_ethercat_master_time();
for (int i = 0; i < NUM_SENSORS; i++) {
sensor[i].timestamp = master_time - sensor[i].latency_compensation;
// 使用最近邻插值或线性插值对齐到控制周期
sensor[i].aligned_data = interpolate(sensor[i].raw_data, sensor[i].timestamp);
}
}2.3 执行器系统：从指令到力矩
执行器是控制算法的最终执行者。人形机器人常用的执行器方案有三种：电驱+减速器、液压伺服、直驱电机。每种方案在力矩密度、带宽、成本上各有取舍。
2.3.1 电驱+减速器方案（Optimus、Digit）
典型结构为：无框力矩电机 + 谐波减速器（或行星滚柱丝杠）+ 电机驱动器。电机提供高转速低扭矩，减速器将转速降低、扭矩放大。谐波减速器具有零背隙、高减速比（50:1~160:1）的优点，但柔度较大，影响力矩控制带宽。行星滚柱丝杠将旋转运动转化为直线运动，适合线性关节（如膝关节、踝关节）。
关键参数：电机驱动器需要支持力矩模式（电流环）控制，电流环带宽通常要求 > 1kHz。以 Optimus 的膝关节为例，峰值扭矩需求约 150Nm，如果减速比为 100:1，则电机端需要输出 1.5Nm 的持续扭矩，对应电机额定电流约 10A（取决于电机常数 Kt）。
2.3.2 液压伺服方案（早期 Atlas）
液压系统由液压泵站、伺服阀、液压缸组成。伺服阀控制液压油的流量和方向，从而控制液压缸的伸缩速度和力。液压方案的优点是功率密度极高（可达 10kW/kg），适合爆发性动作；缺点是能效低（<30%）、需要庞大的泵站（增加重量）、液压油泄漏污染环境、维护成本高。
2.3.3 直驱电机方案（研究平台）
直驱电机（如 MIT Mini Cheetah 使用的方案）没有减速器，电机直接驱动关节。优点是零背隙、高带宽（力矩控制带宽可达 100Hz）、可实现精确的力矩控制；缺点是扭矩密度低，需要大直径电机，导致关节体积和重量增加。适合研究动态控制算法，不适合需要大扭矩的工业场景。
风险说明：无论哪种执行器，都必须设置力矩上限和速度上限保护。在调试初期，建议将力矩限制在额定值的 30% 以内，防止控制算法发散导致硬件损坏。同时，执行器需要配置抱闸（制动器），在断电或急停时锁定关节位置，防止机器人倒塌伤人。
2.4 计算单元：实时控制的大脑
全身控制算法对计算资源的需求极高：状态估计（扩展卡尔曼滤波）、动力学计算（逆动力学）、轨迹优化（MPC）、力矩分配（QP 求解）等任务需要在 1ms 内完成。因此，计算单元通常采用异构架构：实时核 + 高性能核。
| 计算任务 | 计算负载 | 推荐硬件 | 实时性要求 |
|---|---|---|---|
| 关节电流环（PID） | 低（每关节 ~10μs） | MCU（STM32H7）/ FPGA | 硬实时（10kHz） |
| 状态估计（EKF） | 中（~100μs） | DSP / 实时核（ARM Cortex-R） | 硬实时（1kHz） |
| 全身动力学（RNEA） | 中高（~200μs） | 高性能核（x86 / ARM Cortex-A） | 软实时（1kHz） |
| MPC 轨迹优化 | 高（~5-20ms） | GPU / 多核 CPU | 非实时（10-50Hz） |
典型配置：NVIDIA Jetson Orin（用于感知和高级规划）+ Intel i7 或 AMD Ryzen（用于动力学计算）+ STM32H7（用于关节电流环）。三者通过 PCIe / EtherCAT / SPI 通信。Jetson 运行 Linux + ROS2，负责视觉感知和任务规划；i7 运行实时 Linux（PREEMPT_RT）或 QNX，负责全身控制；STM32 运行裸机程序，负责最底层的电流环。
经验提醒：不要将所有计算任务都放在一个 CPU 上。将关节电流环放在 MCU 上可以保证即使上层系统崩溃，机器人也能安全停机。同时，在 Jetson 和 i7 之间使用共享内存或零拷贝通信（如 Fast DDS 的共享内存传输），可显著降低通信延迟。
2.5 案例拆解：Digit 机器人的硬件调试与力矩控制实现
我们以 Agility Digit 为背景，演示一个完整的硬件调试闭环：从传感器标定到力矩控制实现。
背景与约束：Digit 使用电动直驱+低减速比方案，关节力矩控制带宽较高（约 50Hz），但扭矩输出有限（峰值约 80Nm）。目标是在实验室环境中实现单腿站立平衡，要求躯干姿态偏差 < 2°，且脚底接触力波动 < 10N。
初始现象：首次上电后，机器人站立时出现持续抖动，躯干俯仰角振荡幅度达 ±5°，且右腿膝关节有异响。
关键数据：
- IMU 采样率 1kHz，姿态解算输出延迟 2ms
- 关节编码器分辨率 19bit（约 0.001°），但实际噪声 ±0.01°
- 六维力传感器采样率 500Hz，噪声 RMS 0.5N
- 控制周期 1ms，但实际执行周期抖动 ±0.3ms
分析判断过程：
- 首先检查 IMU 数据：发现加速度计 Z 轴有 0.2g 的偏置，且存在 50Hz 工频干扰。使用椭圆拟合校准后，偏置降至 0.02g。
- 检查编码器数据：右腿膝关节编码器在运动方向切换时出现 ±0.05° 的跳变，判断为磁编码器受电机磁场干扰。解决方案：增加屏蔽罩，并将编码器采样时间与 PWM 驱动信号错开。
- 检查力传感器：发现脚底力传感器在静止时读数漂移 3N/min，判断为温度漂移。解决方案：在控制代码中加入温度补偿模型（基于传感器内部温度读数）。
- 检查控制周期抖动：使用示波器测量实际控制周期，发现抖动主要来自 Linux 调度。解决方案：将控制线程绑定到专用 CPU 核心，并设置 SCHED_FIFO 实时优先级。
实际操作步骤：
# 1. 传感器标定
python3 calibrate_imu.py --accel_bias 0.02 --gyro_bias 0.001
python3 calibrate_force.py --temp_compensation on
# 2. 控制线程实时化
sudo chrt -f 99 ./whole_body_controller
# 3. 力矩控制参数调整
# 初始 PID: Kp=50, Ki=0.1, Kd=0.5
# 调整后: Kp=80, Ki=0.05, Kd=0.8 (增加阻尼，减少振荡)结果对比：经过上述调整，躯干姿态偏差从 ±5° 降至 ±1.2°，脚底接触力波动从 25N 降至 8N，膝关节异响消失。控制周期抖动从 ±0.3ms 降至 ±0.05ms。
风险与代价：增加编码器屏蔽罩导致关节重量增加 0.3kg，对动态性能有轻微影响；温度补偿模型需要额外 10ms 的标定时间。但整体收益远大于代价。
复盘经验：硬件调试的核心是“先传感器，后执行器，再控制算法”。很多控制问题看似是算法问题，实则是传感器噪声或延迟问题。建议在开发初期就建立传感器数据质量监控工具，实时可视化 IMU 偏置、编码器噪声、力传感器漂移等指标。
2.6 常见误区与总结复盘
误区一：认为“高精度传感器 = 好控制”。实际上，传感器精度需要与控制频率匹配。如果控制频率只有 100Hz，那么 1kHz 的传感器数据也需要降采样，此时高精度优势无法发挥。更重要的是传感器的延迟一致性——所有传感器延迟必须一致，否则状态估计会引入虚假的“运动”。
误区二：忽视执行器的力矩带宽。很多初学者只关注峰值扭矩，却忽略了力矩控制的带宽。如果执行器的力矩带宽只有 10Hz，那么机器人无法实现 1Hz 以上的动态平衡动作。测量力矩带宽的方法是：给执行器施加正弦力矩指令，逐步增加频率，观察实际力矩的幅值衰减和相位滞后。
总结：人形机器人硬件系统是一个“感知-计算-执行”的闭环。本章的核心要点是：（1）理解不同平台的硬件差异决定了控制算法的适用范围；（2）传感器数据质量（噪声、延迟、同步）是控制性能的上限；（3）执行器的力矩带宽和精度比峰值扭矩更重要；（4）计算单元需要异构架构来满足不同时间尺度的任务需求。在后续章节中，我们将基于这些硬件约束，逐步展开状态估计、动力学建模和全身控制算法的学习。