1. 人形机器人概述
各位同学，欢迎来到《人形机器人模型辨识实战指南》。我是你们这门课的主讲。说实话，干这行十几年了，从最早在实验室里调一个六轴机械臂的PID参数都手忙脚乱，到现在能带着团队给双足机器人做全身动力学辨识，这条路走得挺有意思。
今天咱们先不急着敲代码、推公式。第一章，我想带大家看看人形机器人到底是个什么东西——它从哪来，能干什么，里面又藏着哪些核心系统。你想想看，如果你连自己要辨识的对象长什么样、由什么组成都不清楚，后面那些辨识算法再漂亮也是白搭。
1.1 发展历程：从“会动的铁架子”到“能跑的全能选手”
人形机器人的历史，其实比很多人想象的要长。我个人习惯把这段历程分成三个阶段来看：
| 阶段 | 时间跨度 | 代表机型 | 核心特征 |
|---|---|---|---|
| 萌芽期 | 1970s - 1990s | WABOT-1, ASIMO (早期) | 能走、能动，但笨重，控制靠查表 |
| 探索期 | 2000s - 2015 | ASIMO (成熟), HRP系列, Atlas (早期) | 动态行走、爬楼梯，开始引入模型控制 |
| 爆发期 | 2016 - 至今 | Atlas (最新), Tesla Optimus, 小米CyberOne | 高动态运动、全身协调、量产化探索 |
我记得最早接触人形机器人是在读研的时候，实验室有一台老旧的HRP-2。那家伙走一步要算半天，还经常摔。当时导师跟我说：“小X，你要是能把它的动力学模型辨识准了，让它走稳十步，就算你毕业。” 嗯，那时候我才意识到，模型辨识对于人形机器人来说，不是锦上添花，而是生死攸关。
为什么会这样？因为早期的机器人用的是“位置控制+查表”的笨办法。说白了，就是预先录好一套动作，然后让电机硬走。遇到地面不平或者负载变化，立马翻车。后来大家发现，只有建立准确的数学模型，让机器人“感知”自身状态并实时调整，才能真正走向实用。
核心认知： 人形机器人的进化史，本质上就是模型精度与控制算法的协同进化史。没有准确的模型，就没有稳定的控制；没有稳定的控制，就没有实用的机器人。
1.2 典型应用场景：它到底能帮我们干什么？
很多人一提到人形机器人，第一反应就是“跳舞”、“翻跟头”。确实，波士顿动力的Atlas那段后空翻视频，当年看得我热血沸腾。但咱们做工程的，不能光看热闹。我给大家梳理几个真正有落地价值的场景：
- 工业制造与物流：在汽车总装线上，有些工位（比如车内线束布置）传统工业臂够不着，人形机器人可以钻进去干。我在项目里遇到过，一个简单的拧螺丝动作，因为工装夹具的刚度没辨识准，导致扭矩过冲，直接滑丝。这就是模型辨识不到位的典型教训。
- 家庭服务与养老：扫地机器人只能扫地面，但人形机器人可以帮你拿高处的杯子、扶老人起床。这要求机器人对自身和环境的交互力有精确感知——说白了，就是得知道“我用了多大力气，会不会把杯子捏碎”。
- 危险环境作业：核电站巡检、地震废墟搜救。这些场景下，机器人需要在非结构化地面上行走，比如碎石堆、斜坡。没有准确的足地接触力模型，走两步就倒。
- 科研与教育：这个不用多说，咱们这门课本身就是干这个的。
我的建议： 如果你刚开始接触人形机器人，别一上来就想着让它跑酷。先让它在一个已知的、平坦的地面上走稳。走稳的前提是什么？是动力学模型辨识准了。这是基本功，绕不过去。
1.3 核心系统组成：感知、决策、执行
任何一个完整的人形机器人，都可以抽象成三个子系统。我习惯用一个简单的框图来理解它们的关系：
这张图我建议大家多看几遍。咱们这门课要做的模型辨识，说白了就是解决图中“反馈回路”里的那个核心问题：如何让决策系统准确知道执行系统到底长什么样？
1.3.1 感知系统
感知系统是机器人的“五官”。它负责采集机器人自身状态和外部环境信息。常见的传感器包括：
- 关节编码器：告诉你每个关节转了多少度。这是最基础的，但注意，编码器测的是电机端的位置，经过减速器后会有回差和柔性变形。我在做辨识时，曾经因为没考虑谐波减速器的柔性，导致辨识出来的惯量值偏差了30%。
- IMU（惯性测量单元）：测量躯干的加速度和角速度。它是状态估计的核心，但噪声很大，需要滤波。
- 六维力传感器：通常装在脚底或手腕，测量接触力。这是辨识足地交互模型的关键。
避坑指南： 我曾经在项目里直接拿编码器的原始读数做微分来算速度，结果噪声放大了十倍，辨识出来的摩擦模型完全不能用。记住：位置微分求速度一定要加滤波，或者直接用状态观测器。
1.3.2 决策系统
决策系统是机器人的“大脑”。它接收感知数据，进行状态估计，然后规划运动并计算控制指令。这里面有几个关键模块：
- 状态估计器：比如扩展卡尔曼滤波（EKF），把IMU和编码器数据融合，得到机器人全身的位姿和速度。
- 运动规划器：决定机器人下一步要走到哪、手要伸到哪。常用的有模型预测控制（MPC）。
- 控制器：把规划好的轨迹转换成电机扭矩指令。这里就需要用到动力学模型——也就是咱们要辨识的对象。
1.3.3 执行系统
执行系统是机器人的“肌肉”。它接收决策系统发来的扭矩或位置指令，驱动电机转动，通过减速器放大扭矩，最终让关节动起来。这里面藏着大量需要辨识的参数：
| 参数类别 | 具体参数 | 辨识难度 |
|---|---|---|
| 惯性参数 | 连杆质量、质心位置、转动惯量 | 中等（需要激励轨迹） |
| 摩擦参数 | 库仑摩擦、粘滞摩擦、Stribeck效应 | 较难（低速时非线性强） |
| 柔性参数 | 关节刚度、阻尼、减速器回差 | 困难（需要高频激励） |
| 驱动参数 | 电机扭矩常数、电流环延迟 | 简单（查手册或标定） |
嗯，看到这个表格，你应该能感受到，模型辨识不是一件轻松的事。但别怕，咱们这门课就是一步步带你把这些参数“揪”出来。
1.4 本章小结
这一章我们聊了人形机器人的来龙去脉、它能干什么、以及它内部是怎么分工协作的。你可能会觉得内容有点“软”，没有公式和代码。但请相信我，当你后面开始动手做辨识实验时，你会无数次回想起今天这张系统组成图——因为每一次辨识失败，你都得回头去检查：是感知数据没采好？是决策模型结构选错了？还是执行器本身有非线性没被建模？