2、人形机器人总体架构：硬件系统、软件系统、感知-决策-执行闭环的层次划分

人形机器人的总体架构设计是系统工程的起点，它决定了机器人的功能边界、性能上限、开发效率与可维护性。与工业机械臂或AGV不同，人形机器人需要在非结构化环境中实现双足稳定行走、双臂灵巧操作、全身运动协调以及多模态人机交互，这对架构提出了极高的耦合度与实时性要求。本章从硬件系统、软件系统以及感知-决策-执行闭环三个维度展开，帮助学员建立从物理层到认知层的完整架构视图，并理解各层次之间的接口约束与设计权衡。

上图展示了人形机器人三大子系统之间的核心关系：硬件系统提供物理载体与算力底座，软件系统承载智能算法与调度逻辑，而感知-决策-执行闭环则是连接两者的“神经回路”。在实际工程中，这三个层次并非严格串行，而是存在大量跨层交互，例如视觉感知结果直接触发全身运动控制器的步态切换，或者关节力矩反馈反向修正决策层的路径规划。理解这种耦合关系，是进行系统架构设计的前提。

2.1 硬件系统：从关节模组到异构计算平台

核心原理：硬件分层与资源约束

人形机器人的硬件系统可划分为四个子系统：执行机构子系统（电机、减速器、驱动器、传动机构）、感知子系统（视觉、激光、IMU、力/触觉传感器）、计算子系统（主控SoC、实时MCU、FPGA）以及能源与通信子系统（电池、电源管理、总线网络）。每个子系统都有其独特的性能指标与设计约束。例如，执行机构需要高扭矩密度（通常要求>10Nm/kg）和低齿槽转矩，以保证关节控制的平滑性；感知子系统则要求低延迟（<10ms）和高带宽（视觉数据>1Gbps）；计算子系统必须在功耗预算（通常整机<500W）内平衡算力与实时性。

硬件架构设计的核心矛盾在于“通用性”与“实时性”的权衡。主控SoC（如NVIDIA Jetson Orin或Intel Core系列）擅长运行复杂的深度学习模型，但其调度延迟不可控；而实时MCU（如STM32H7或TMS320F28379D）能提供微秒级的中断响应，但算力有限。因此，现代人形机器人普遍采用异构计算架构：将感知融合、语义理解等非实时任务放在SoC上，将关节伺服、力控制等硬实时任务放在MCU上，中间通过EtherCAT或PCIe总线进行高速数据交换。

硬件选型与接口设计方法

硬件系统设计遵循“需求分解→接口定义→器件选型→集成验证”的流程。首先，根据机器人的运动性能指标（如最大行走速度、负载能力）反推关节电机的峰值扭矩与转速；然后，根据传感器数量与数据率确定总线带宽需求；最后，根据整机功耗与散热约束选择电池容量与冷却方案。关键接口设计包括：

• 关节通信接口：通常采用EtherCAT（周期1ms）或CAN-FD（周期2ms），支持多主站冗余。
• 视觉传感器接口：MIPI CSI-2用于相机直连SoC，GMSL2用于长距离传输（>15m）。
• 力传感器接口：SPI或并行接口，采样率需≥2kHz，且需硬件滤波电路。
• 电源分配：采用48V主电源+12V/5V/3.3V二次电源域，各电源域需隔离与缓启动。

案例拆解：某双足机器人下肢硬件架构

以某实验室开发的液压驱动双足机器人为例，其硬件架构具有典型参考价值。该机器人下肢共12个主动自由度（髋3+膝1+踝2，每条腿），采用液压伺服阀驱动，峰值扭矩达300Nm。硬件系统配置如下：

子系统	关键器件	参数/接口	设计要点
主控计算	Intel i7-12700H + RTX A2000	PCIe Gen4 / 64GB DDR5	运行感知与规划算法，功耗120W
实时控制	2× TMS320F28379D	EtherCAT从站 / 1kHz	每个MCU控制6个关节，执行WBC
关节驱动	Moog E024液压伺服阀	±10V模拟指令 / 2kHz	阀芯位移闭环，响应时间<1ms
感知	2× FLIR BFS-U3-16S2C + 1× Livox MID-360	USB3.0 / 千兆以太网	视觉帧率30Hz，激光10Hz
电源	6S LiPo 22.2V 10Ah + DC-DC	持续放电20C	整机功耗峰值800W，续航约20分钟

该架构的初始设计目标是实现不平整地形的动态行走。在调试过程中发现，液压系统存在明显的油液谐振（约15Hz），导致关节力矩波动。通过分析EtherCAT总线上的力矩指令与编码器反馈，团队在MCU中增加了二阶低通滤波器（截止频率8Hz），并调整了伺服阀的PID参数，最终将力矩波动从±8%降低至±2%。这一案例说明，硬件架构设计必须预留调试接口（如总线监控端口、模拟量测试点），否则后期排障将极为困难。

2.2 软件系统：分层架构与实时调度

核心原理：软件层次划分与数据流

人形机器人的软件系统通常分为三层：系统软件层（操作系统、中间件、驱动）、功能软件层（感知、决策、控制算法模块）、开发工具层（仿真、调试、数据管理）。系统软件层提供硬件抽象与通信机制，功能软件层实现具体算法，开发工具层支撑迭代开发。这种分层设计的核心优势在于模块解耦：算法工程师无需关心底层硬件细节，硬件工程师可以独立测试驱动，而系统集成人员通过标准接口（如ROS2的Topic/Service）进行组装。

实时调度是软件架构的关键挑战。人形机器人的控制回路要求严格的时序确定性：关节伺服控制周期通常为1kHz（1ms），全身运动控制（WBC）为500Hz（2ms），步态规划为100Hz（10ms），而感知融合为30-60Hz。这些任务具有不同的优先级与截止时间，必须采用优先级抢占式调度或时间触发调度。在Linux系统中，通常使用PREEMPT_RT补丁或Xenomai双内核方案；在MCU上，则直接使用裸机中断或FreeRTOS。

软件架构设计流程

软件架构设计遵循“接口先行→模块实现→集成测试→性能优化”的路径。首先，定义各模块之间的数据接口（消息类型、频率、延迟预算）；然后，基于ROS2或自研中间件实现模块通信；最后，通过系统级测试验证端到端延迟。一个典型的软件模块划分如下：

1. 感知模块：接收相机/激光数据，输出障碍物列表、地形分类、自身位姿（频率30Hz，延迟<50ms）。
2. 状态估计模块：融合IMU、关节编码器、视觉里程计，输出全身关节角度与速度（频率500Hz，延迟<2ms）。
3. 决策规划模块：接收任务指令与感知结果，输出全局路径与步态序列（频率10Hz，延迟<100ms）。
4. 运动控制模块：接收步态序列与状态估计，计算关节力矩指令（频率500Hz，延迟<1ms）。
5. 执行器接口模块：将力矩指令写入EtherCAT总线，并读取编码器反馈（频率1kHz，延迟<0.5ms）。

案例拆解：基于ROS2的软件系统集成

某轮式人形机器人（上半身+轮式底盘）采用ROS2 Humble作为中间件，运行在Ubuntu 22.04 + PREEMPT_RT内核上。系统包含以下节点：相机节点（发布Image）、激光节点（发布PointCloud2）、SLAM节点（发布Map）、路径规划节点（发布Path）、底盘控制节点（订阅CmdVel）、机械臂控制节点（订阅JointTrajectory）。在集成测试中发现，当SLAM节点与路径规划节点同时运行时，底盘控制节点的周期抖动从±0.2ms增大到±1.5ms，导致轮子出现可见的抖动。

通过ros2 doctor和ros2 topic hz检查，发现SLAM节点占用了大量CPU时间（约80%），且其发布的消息队列长度达到100，导致DDS通信线程阻塞。解决方案是：①将SLAM节点设置为SCHED_FIFO实时优先级，但限制其CPU亲和性（绑定到2个核心）；②将底盘控制节点绑定到独立核心，并设置更高的实时优先级；③将SLAM的QoS策略从RELIABLE改为BEST_EFFORT，降低通信开销。调整后，底盘控制节点的周期抖动恢复至±0.3ms以内。

2.3 感知-决策-执行闭环：层次划分与实时性设计

核心原理：闭环的层次化分解

感知-决策-执行闭环是人形机器人智能行为的核心机制。根据时间尺度与控制带宽，该闭环可进一步细分为三个嵌套回路：

• 任务级回路（低频，0.1-1Hz）：感知环境语义信息（如“前方有楼梯”），决策层进行任务规划（如“选择爬楼梯”），执行层切换步态模式。该回路对延迟不敏感，但需要全局一致性。
• 行为级回路（中频，10-100Hz）：感知局部地形与障碍物，决策层规划局部路径与落脚点，执行层调整步幅与身体姿态。该回路需要亚秒级响应。
• 反射级回路（高频，500Hz-2kHz）：感知关节力矩与IMU角速度，决策层（通常为固定控制律）计算关节补偿力矩，执行层驱动电机。该回路要求微秒级确定性。

这种层次化分解的核心价值在于隔离复杂度：高频回路使用简单的线性控制律保证稳定性，中频回路使用优化算法（如MPC）处理约束，低频回路使用AI模型进行语义推理。各层之间通过明确的接口传递信息，避免“感知-决策-执行”全链路串行导致的累积延迟。

闭环设计的关键参数与调试方法

设计闭环系统时，需要明确以下关键参数：端到端延迟（从传感器采样到执行器响应的总时间）、控制频率（各层级的更新速率）、数据新鲜度（传感器数据的时间戳有效性）。调试方法通常采用“由内向外”策略：先单独验证反射级回路（如关节力矩闭环），再逐步加入行为级回路（如步态规划），最后集成任务级回路（如语义导航）。

层级	典型延迟预算	控制频率	主要算法	失效模式
反射级	<1ms	1-2kHz	PID、ADRC、力/位混合控制	关节振荡、电机过流
行为级	10-50ms	100-500Hz	MPC、WBC、ZMP步态	步态失稳、身体倾斜
任务级	100-500ms	1-10Hz	RRT*、LLM任务分解、状态机	路径冲突、任务死锁

案例拆解：双足机器人抗扰动闭环设计

以某双足机器人在受到侧向推力时的恢复控制为例，完整展示闭环设计过程。该机器人身高1.7m，重65kg，采用平面双足构型（共10个主动自由度）。初始现象：当受到50N·s的侧向冲量时，机器人会在0.5秒内失去平衡摔倒。

分析过程：通过IMU数据（采样率1kHz）发现，在受到冲击后，身体侧倾角速度峰值达到2.5rad/s，远超稳定阈值（1.2rad/s）。进一步分析关节力矩指令，发现踝关节的力矩响应延迟约15ms，且力矩上升速率受限（最大速率50Nm/s），无法在短时间内产生足够的恢复力矩。

解决方案：①在反射级回路中，增加基于IMU角速度的前馈补偿项，将踝关节力矩响应延迟从15ms降低至3ms；②在行为级回路中，引入“捕获点”（Capture Point）动态调整步态，当检测到侧倾角速度超过阈值时，立即触发跨步策略（步幅增加20%，步态周期缩短30%）；③在任务级回路中，通过强化学习预训练一个“扰动恢复策略”，在受到冲击时直接输出全身关节位置修正量。

结果对比：优化后，机器人能够抵抗80N·s的侧向冲量，恢复时间从1.2s缩短至0.6s。但代价是跨步策略增加了足底与地面的冲击力（峰值从1.2倍体重增至1.5倍体重），对膝关节减速器寿命有一定影响。复盘经验：闭环设计必须考虑“稳定性”与“机械应力”的权衡，不能一味追求快速恢复。