机器人控制方法是机器人实现运动、作业和交互的“大脑”与“神经”逻辑。根据控制策略、被控对象和环境交互方式的不同，通常可以从控制架构、运动控制、智能决策三个层面来梳理。

机器人控制方法可分为经典控制、现代控制、智能控制三大类，并结合工业和服务场景进行说明。

---

一、 经典控制方法（工业机器人的基石）

这是目前工业机械臂最成熟、应用最广的方法，主要解决“如何让机器人按既定轨迹精确到达目标点”的问题。

1. 运动学控制 (Kinematic Control)

不关心力，只关心位置和姿态。

• 正向运动学：已知每个关节转了多少度，计算机械臂末端（手爪）在空间中的位置。这是示教编程的基础。
• 逆向运动学 (IK)：已知末端要到达的位置，反算每个关节需要转多少度。这是轨迹规划的核心，也是机器人控制中最常求解的方程（通常有多解）。

2. 动力学控制 (Dynamic Control)

考虑机器人的“物理属性”。

• PID 控制（比例-积分-微分）：最经典的算法。通过对比“目标位置”和“实际位置”的误差，调整电机输出力矩。
  • 应用：几乎所有伺服电机（如工业机器人关节）都内置了PID。
• 计算力矩控制：基于机器人的质量、惯性、摩擦力等动力学模型，提前计算出需要多大的力才能抵消重力、离心力等干扰，实现高精度跟踪。
  • 应用：高速、高负载的搬运机器人，防止抖动。

3. 轨迹规划 (Trajectory Planning)

• 关节空间规划：直接规划每个关节的角度随时间的变化。简单，但末端走出的路径可能是弧线，不可控。
• 笛卡尔空间规划：规划末端在三维空间中的直线、圆弧或样条曲线。
  • 应用：焊接、涂胶、切割，必须保证末端走直线。

---

二、 现代控制方法（应对复杂与不确定性）

当机器人面临外部干扰、参数变化或需要更高精度时，经典PID就显得力不从心，需要引入现代控制理论。

1. 自适应控制 (Adaptive Control)

“边干边学”。当机器人负载变化（例如抓起不同重量的箱子）或零件磨损时，控制器能自动调整参数（如PID增益），保持系统稳定。

• 应用：打磨、抛光机器人（接触力变化大）、太空机器人（负载不确定）。

2. 鲁棒控制 (Robust Control)

“无视干扰”。针对模型不精确或外部扰动，设计一个控制器，保证在最坏情况下系统依然稳定。

• 应用：在震动强烈的车间、海浪中作业的机器人。

3. 滑模控制 (Sliding Mode Control)

一种特殊的非线性鲁棒控制，响应快，对扰动不敏感，但容易产生“抖振”（Chattering）。

• 应用：高性能伺服系统、快速跟踪。

4. 阻抗/导纳控制 (Impedance/Admittance Control)

“柔顺控制”。这是协作机器人（Cobot）的核心。它不控制位置，而是控制机器人与环境的动态关系（力与位移的关系）。

• 原理：让机器人表现得像一个弹簧-阻尼系统。当碰到人时，它会后退（像弹簧被压缩），而不是硬抗。
• 应用：装配（插轴入孔）、人机协作、物理交互。

---

三、 智能控制方法（AI与学习的引入）

这是当前学术界和前沿产业的热点，解决“非结构化环境”和“复杂决策”问题。

1. 基于学习的控制 (Learning-based Control)

• 强化学习 (Reinforcement Learning, RL)：
  • 原理：机器人在虚拟环境（仿真）中不断试错，根据奖励（Reward）优化策略。例如，让机器人试100万次抓取，最终学会“怎么抓最稳”。
  • 应用：复杂的抓取（杂乱堆叠的物体）、灵巧手操作、多足机器人行走。
• 模仿学习 (Imitation Learning)：
  • 原理：人做一遍（遥操作或动捕），机器人模仿。比强化学习样本效率高。
  • 应用：手术机器人、精密装配。

2. 视觉伺服控制 (Visual Servoing)

“眼睛指挥手”。利用摄像头实时图像反馈，调整机器人动作。

• 基于位置的视觉伺服 (PBVS)：先识别物体3D位置，再控制机器人去抓。
• 基于图像的视觉伺服 (IBVS)：直接根据图像中像素的变化来控制机器人（如让物体中心的像素点移动到图像中心）。
• 应用：无序分拣、AGV导航、无人机跟踪。

3. 模糊逻辑与神经网络控制

• 模糊控制：把专家的经验（如“如果误差大，就用力推；如果误差小，就轻轻调”）转化为控制规则。不需要精确的数学模型。
• 神经网络：作为非线性函数逼近器，用于建模复杂的机器人动力学，或者作为控制器本身（神经控制器）。
• 应用：复杂的非线性系统、难以建模的柔性机器人。

---

四、 控制架构（多机器人/多任务）

1. 分层式架构 (Layered Architecture)

• 上层（决策层）：AI规划（去哪里，做什么）。
• 中层（执行层）：轨迹生成、避障。
• 底层（控制层）：PID、力矩控制。
• 应用：自动驾驶、复杂物流AGV。

2. 行为控制 (Behavior-based Control)

将复杂任务分解为“避障”、“趋近目标”、“保持队形”等简单行为，通过加权融合输出最终动作。

• 应用：多机器人协同、群体机器人（Swarm Robotics）。

---

五、 总结与对比（写报告用）

类别	核心思想	优点	缺点	典型场景
经典控制​	基于模型，误差反馈(PID)	成熟、稳定、易实现	依赖精确模型，抗扰差	工业机械臂、CNC
现代控制​	鲁棒性、自适应、柔顺性	精度高，能处理扰动	算法复杂，计算量大	协作机器人、力控打磨
智能控制​	数据驱动，AI学习	适应非结构化环境	训练慢，安全性验证难	无序分拣、自动驾驶
视觉控制​	视觉反馈闭环	环境感知能力强	延迟高，易受光照影响	物流分拣、质检

六、 结合你之前关注的“制造业”视角

1. 酷特/犀牛（柔性制造）：需要视觉伺服来识别布料位置，阻抗控制来适应不同厚度面料，以及轨迹规划来优化裁剪路径。
2. 社会化制造（众包/分布式）：边缘端的机器人（如3D打印机、小型CNC）需要网络化控制，接收云端下发的G代码或任务指令。
3. 服务型制造（陕鼓/海尔）：运维机器人（巡检、清洗）需要自主导航（SLAM）和强化学习来适应不同的设备环境。

代表人物/企业参考：

• 学术：Oussama Khatib（斯坦福，阻抗控制/柔顺控制先驱）、Seth Hutchinson（视觉伺服）、Pieter Abbeel（伯克利，机器人强化学习）。
• 企业：
  • ABB/KUKA/Fanuc：经典控制与力控的极致。
  • Universal Robots (UR)：阻抗控制与协作机器人的普及者。
  • Boston Dynamics：模型预测控制（MPC）与动态平衡的世界顶尖水平。
  • NVIDIA (Isaac Sim)：利用仿真环境进行强化学习训练，是当前智能控制落地的关键工具。