第一节：关节控制基础——电机选型与编码器原理、关节动力学模型、PID控制基础与调参

大家好，我是你们的老朋友。今天咱们正式开干，聊聊关节控制最底层的那些事儿。

说实话，我见过太多做强化学习的同学，一上来就撸算法，结果在真机上连个电机都转不利索。为什么？因为底层基础没打牢。你想想看，算法再漂亮，执行器响应慢半拍，或者反馈信号全是噪声，那一切都是白搭。

所以这一节，咱们把关节控制的三个基石掰开揉碎了讲清楚。嗯，内容有点干，但都是硬货。

1.1 电机选型：别让执行器拖了后腿

选电机这事儿，我个人的习惯是：先算负载，再定类型，最后看驱动器。

第一步：算扭矩

关节需要多大的扭矩？别靠猜。公式很简单：

τ_required = J * α + τ_gravity + τ_friction

其中：

J：负载惯量（kg·m²）
α：目标角加速度（rad/s²）
τ_gravity：重力矩（尤其对机械臂的肩关节）
τ_friction：摩擦力矩（别忽略，低速时它占大头）

第二步：选类型

电机类型	优点	缺点	适用场景
直流有刷电机	控制简单，成本低	电刷磨损，寿命短	低成本教育机器人
直流无刷电机（BLDC）	效率高，寿命长	需要电子换向，控制复杂	工业机器人、协作机器人
步进电机	开环位置控制，价格低	高速扭矩小，易丢步	3D打印机、小型关节
伺服电机	精度高，响应快	贵，需要配套驱动器	高性能关节、人形机器人

我的经验： 做强化学习落地，我强烈建议用伺服电机+谐波减速器的组合。虽然贵点，但反馈精度和响应速度能让你少掉很多头发。我曾经在一个项目里贪便宜用了步进电机，结果算法收敛了，关节却因为丢步一直在抖……那叫一个崩溃。

1.2 编码器原理：你的眼睛在哪里？

电机选好了，怎么知道它转了多少？靠编码器。

编码器分两种：

增量式编码器：输出脉冲信号，只能知道相对位置变化。断电后位置丢失，需要归零。
式编码器：每个位置对应唯一编码，上电就知道当前角度。贵，但真香。

我个人更偏爱式编码器，尤其是多圈式。为什么？因为强化学习训练过程中，关节可能会被外力随意掰动。如果是增量式，每次上电都得手动归零，训练流程直接打断。你想想看，半夜跑实验，第二天发现数据全废了，就因为忘了归零……

分辨率怎么选？

编码器的分辨率决定了你能感知到的最小角度变化。公式：

分辨率（度） = 360° / 线数

比如一个1000线的增量式编码器，分辨率是0.36°。听起来还行？但如果你加了100:1的减速器，关节端的分辨率就变成了0.0036°。嗯，够用了。

注意： 编码器信号容易受干扰。我曾经在调试时发现角度读数莫名其妙跳变，查了两天才发现是电机动力线和编码器信号线走在一起了。记住：信号线必须屏蔽，且远离动力线。

1.3 关节动力学模型：理解你的“身体”

做控制，你得知道你的关节长什么样。动力学模型就是关节的“物理身份证”。

最简单的单关节模型：

J * θ̈ + b * θ̇ + K * θ = τ

其中：

J：转动惯量
b：阻尼系数
K：刚度系数（如果有弹性元件）
τ：施加的扭矩

这个模型虽然简单，但足够我们理解核心逻辑。实际项目中，我会用系统辨识的方法来获取这些参数。比如给关节一个阶跃信号，记录响应曲线，然后拟合出J和b。

下面是我画的一个单关节动力学模型示意图，帮你直观理解：

    核心要点： 动力学模型是你设计控制器的依据。模型越准，控制效果越好。但别追求完美——强化学习的一大优势就是能在一定程度上补偿模型误差。

1.4 PID控制基础与调参：老司机的基本功

PID控制，说白了就是三个字：比例、积分、微分。公式长这样：

u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt

其中：

Kp：比例增益——误差越大，输出越大。调大了会震荡，调小了反应慢。
Ki：积分增益——消除稳态误差。但调大了会超调，甚至积分饱和。
Kd：微分增益——抑制震荡，提高响应速度。但对噪声敏感。

调参口诀（我自己的经验）：

先调Kp，从小到大，直到出现轻微震荡。
然后加一点Kd，把震荡压下去。
最后加Ki，消除稳态误差。
重复以上步骤，直到满意。

避坑指南： 我曾经在调一个高减速比关节时，Kp给得太大，结果电机直接啸叫，吓得我赶紧断电。后来发现是微分项放大了编码器的量化噪声。解决办法：在微分项前加一个低通滤波器，或者直接用“微分先行”结构。

代码示例：位置式PID

class PIDController:
    def __init__(self, Kp, Ki, Kd, dt):
        self.Kp = Kp
        self.Ki = Ki
        self.Kd = Kd
        self.dt = dt
        self.integral = 0
        self.prev_error = 0
    
    def compute(self, target, current):
        error = target - current
        self.integral += error * self.dt
        derivative = (error - self.prev_error) / self.dt
        
        output = self.Kp * error + self.Ki * self.integral + self.Kd * derivative
        
        self.prev_error = error
        return output

这个代码看着简单，但实际用的时候有几个坑：

积分限幅：防止积分项无限累积，导致“积分饱和”。我一般把积分项限制在输出范围的±20%。
微分滤波：对误差做一阶低通滤波，再求微分。代码里加一行就行。
输出限幅：别让控制器输出超过电机能承受的范围。

重要提醒： PID参数不是调一次就完事的。负载变化、摩擦变化、甚至温度变化都会影响效果。所以做强化学习时，我通常把PID作为底层执行器，上层用RL来动态调整参数或者补偿扭矩。这样既保证了稳定性，又有了智能性。

好了，这一节的内容就到这儿。电机选型、编码器原理、动力学模型、PID调参——这四个东西是关节控制的四梁八柱。你把这些搞明白了，后面学强化学习落地才会事半功倍。

可可精品资料库

📚 课程目录

第一节：关节控制基础——电机选型与编码器原理、关节动力学模型、PID控制基础与调参

1.1 电机选型：别让执行器拖了后腿

1.2 编码器原理：你的眼睛在哪里？

1.3 关节动力学模型：理解你的“身体”

1.4 PID控制基础与调参：老司机的基本功