机器人抬手够到一个杯子，中间要过几道关

一句话概括：从摄像头的一个像素，到关节里的一个电流值，中间有五次「翻译」。每一层翻译都会丢信息，也都能出偏差——这就是为什么「看起来很简单」的动作，在机器人身上事故率很高。

先从一个动作说起

桌上有只杯子，离机器人 30 厘米，偏右一点。你让它「把杯子拿过来」。

对人来说，这是下意识的一伸手。对机器人来说，这句话要先被拆成五个问题：

1. 杯子在画面里的哪个位置？
2. 这个位置对应现实世界的哪个三维坐标？
3. 这个坐标相对机器人身体的哪里？
4. 手臂的四个关节该转到什么角度，手才够得到？
5. 每个关节要出多大力，才能既转到位、又不把杯子捏碎？

五道关，五套数学，五种失败方式。下面用启元 Q1 的真实参数当例子——88 厘米身高、22 个自由度（手臂 4×2、腿 6×2、腰 2）、约 16 公斤整机——把这五道关拆开讲一遍。

第一关：从像素到「方向」

摄像头拍到的是一张二维图像。图像上每个点都有坐标 (u, v)，单位是像素。要把像素变成方向，需要一组叫内参的数字：焦距 fx, fy 和光心 cx, cy。

x_normalized = (u - cx) / fx
y_normalized = (v - cy) / fy

这两个数不是「米」，也不是「角度」，而是方向：一条从相机光心出发、穿过这个像素的射线。也就是说，单张照片只能告诉你「杯子在那个方向上」，不能告诉你「有多远」。

举个具体数字。假设图像 640×480、fx = 500、cx = 320，杯子中心落在像素 u = 400 处：

x_normalized = (400 - 320) / 500 = 0.16

这个 0.16 的意思是：在相机前方 1 米处，这条射线偏离光轴 0.16 米。如果杯子其实在 0.5 米处，那它的横向偏移就是 0.16 × 0.5 = 0.08 米，也就是 8 厘米；如果在 2 米处，偏移就是 32 厘米。同一个像素，对应无数个三维点——这就是单目的根本歧义。

这是第一个反直觉的地方。很多人以为视觉识别框出了杯子，机器人就知道杯子在哪；实际上它只知道一条射线。距离要么靠深度相机、双目视差、结构光，要么靠「假设杯子在桌面上」这种先验去算交点。

Q1 是头部单目，T1 是双目左右两路。双目能通过视差算深度：同一个点在左右图上的水平像素差 d，距离近似为 Z = fx × B / d，B 是两相机间距。这也是为什么双目机器人对「基线长度」和「标定精度」这么敏感——d 只有几个像素的误差，Z 就会差出几十厘米。

还有一层常被忽略：镜头畸变。广角镜头边缘的直线会弯，如果不做去畸变，画面边缘的像素反投影出来的方向会偏。内参和畸变系数是一起标定的，换镜头、摔过、温度变化大，都要重标。

第二关：从「方向」到「身体坐标」

现在有了一个相对相机的三维点。但机器人的手臂不知道「相机坐标系」，它只知道「我的肩膀在哪、我的手在哪」。

所以需要一个统一的参照系。工程上的做法是坐标变换树（TF 树）：每个部件（底盘、腰、肩、肘、腕、相机）都有自己的坐标系，父子之间用「平移 + 旋转」连接。任意两个坐标系之间的变换，可以沿树一路乘出来。

Q1 的 URDF 文件把这件事写死了：25 个 joint 里 22 个是转动关节（revolute），head_joint 和左右 wrist_yaw_joint 是固定关节（fixed），所以自由度是 22。每个 joint 有原点偏移、轴向、限位。这棵树就是机器人的「身体说明书」，正运动学就是沿着树把变换乘一遍，算出「在当前关节角下，手在空间的哪个位置」。

这一步最典型的错误是外参标定。相机装在头上，相机和头之间的相对位置如果标偏了 1 厘米，手就会稳定地偏 1 厘米——而且是自己感觉不到的偏。人闭眼伸手也会偏，但人能靠触觉纠正；机器人如果只靠视觉，就会一直偏下去。

第三关：从「位置」到「角度」

知道了手要去的三维点，接下来要反解：每个关节该转多少度？

这叫逆运动学（IK）。正运动学是「角度 → 位置」，有唯一答案；逆运动学是「位置 → 角度」，可能无解、可能多解、可能无穷多解。

用一个简化的二连杆手臂算一遍，就能看清「多解」是怎么回事。设大臂 L1 = 0.25 m，小臂 L2 = 0.25 m，目标点在身体正前方偏右 (x, y) = (0.30, 0.10)（俯视平面）。

先算目标到肩的距离：

r² = 0.30² + 0.10² = 0.10
cos θ2 = (r² - L1² - L2²) / (2 × L1 × L2)
       = (0.10 - 0.0625 - 0.0625) / (2 × 0.25 × 0.25)
       = -0.025 / 0.125 = -0.2
θ2 = ± arccos(-0.2) = ± 101.5°

两个解，对应「肘部朝上」和「肘部朝下」两种构型。再代回去求 θ1：

解 A（θ2 = +101.5°）：θ1 = atan2(0.10, 0.30) - atan2(0.25×sin101.5°, 0.25+0.25×cos101.5°)
                        = 18.4° - 50.8° = -32.3°
解 B（θ2 = -101.5°）：θ1 = 18.4° + 50.8° = 69.2°

验算解 A：x = 0.25×cos(-32.3°) + 0.25×cos(-32.3°+101.5°) = 0.2112 + 0.0887 = 0.2999，y = 0.25×sin(-32.3°) + 0.25×sin(69.2°) = -0.1337 + 0.2338 = 0.1001。和目标的 (0.30, 0.10) 对上了。

两个解都能让手到同一个点，但姿态完全不同：解 A 肘部朝外，解 B 肘部朝内。选哪个，取决于「会不会撞到身体」「手腕还能不能转」「哪个更省力」。真实的 Q1 单臂是 4 个自由度，不是 2 个，解空间更大——「够得到」和「够得舒服、不撞、能拧」是三件事。

还有一个更麻烦的情况：目标太远，cos θ2 算出来大于 1，无解。这时候机器人要么走近一点，要么放弃。工程上必须显式处理「无解」，否则会出现关节突然猛甩的保护动作。

第四关：从「角度」到「电流」

角度指令下发到关节，关节里发生了什么？

Q1 用的是 QDD 准直驱关节（准直驱，quasi-direct-drive）：电机经过很小的减速比直接驱动关节，齿圈电机与外壳一体化，粉末冶金工艺把单关节重量压到 260 克，2.5 毫米中空走线，厂商标称峰值扭矩密度 85 N·m/kg。按 260 克粗算，单关节的峰值扭矩量级在 20 N·m 上下——这是估算，不是官方参数，但足以说明「小体积、大扭矩」是什么量级。

准直驱的好处是力控友好：减速比小，摩擦力矩和惯量折算都小，关节对外力的感知更灵敏，撞到人时更容易「察觉并停住」。代价是同样扭矩需要更大电流，对驱动器和散热要求更高。

下发一条关节命令，SDK 里通常带五个字段：位置、速度、力矩、刚度（stiffness）、阻尼（damping）。这说明 SDK 层是位置伺服语义：你给目标角度和一组 PD 参数，闭环在机器人内部跑，开发者看不到力矩环。

τ = Kp × (θ_target - θ_now) + Kd × (0 - θ̇_now)

Kp 小，关节软，遇阻会让；Kp 大，关节硬，定位准但撞上就疼。Kd 决定「刹车」的力度，太小会抖，太大会迟钝。官方示例里 stiffness 与 damping 的缺省值分别是 20.0 和 2.0（见 joint_control.py），但这只是示例值，不是安全建议值——真正调参要按负载和场景来。

这一关最容易被低估的是限位和防夹。Q1 的产品页专门写了「防夹关节设计：精准行程限位、多维度触感、遇阻即停」。这些不是软件里的 if 判断，而是机械 + 电气的多重保护。做二开时如果绕过高层运控直接下发关节目标，这些保护是否还生效，必须逐个确认。

第五关：执行中出错，怎么救回来

前四关都是「算」，第五关是「算错了怎么办」。

现实世界不会按假设来：杯子被挪了 2 厘米、桌面有反光、孩子的手突然伸进来、电池电压下降导致关节响应变慢。开环执行一定会偏，所以要闭环。

闭环有三个层次：

• 视觉伺服：执行过程中持续拍照，比较「手当前在画面里的位置」和「目标位置」，边走边修。它对标定误差不敏感，但要求相机能看到手和目标，且延迟要低。
• 力/触觉反馈：抓取时感知接触力，抓到就停，抓滑了就加力。Q1 的力控在机内闭环，SDK 不直接暴露力矩数据，开发者只能用位置伺服 + 刚度调参间接表达。
• 安全兜底：限位、急停、跌倒检测、遇阻即停。这一层不追求「完成任务」，只追求「不出事」。

三层里，第一层决定「做得准不准」，第三层决定「能不能让人放心站在旁边」。消费级机器人和实验室样机的分水岭，往往不在第一层，而在第三层。

第五关的隐藏成本：时间

前四关算的都是「位置对不对」，还有一个维度同样致命：时间。

一次「看见—伸手」的完整链路，每一环都要排队：

环节	典型耗时	说明
相机曝光	10–30 ms	光线越暗，曝光越长
图像传输	5–15 ms	取决于分辨率和链路
感知/推理	20–80 ms	板端算力决定，大模型更久
运动规划	1–5 ms	反解 + 碰撞检查
控制周期	2 ms	官方关节示例的控制周期
电机响应	10–20 ms	与负载、刚度有关

加起来是 50–150 毫秒。听起来不多，但如果机器人正以 0.3 米/秒移动，100 毫秒就是 3 厘米的位移——对一个要抓 5 厘米宽物体的任务，这 3 厘米足以让「对准」变成「擦边」。

工程上有三种应对：

• 降速。 最笨也最可靠。速度减半，同样的延迟只带来一半的位移误差。
• 预测。 把延迟补偿进去：不是瞄准「杯子现在在哪」，而是瞄准「100 毫秒后杯子会在哪」。对静止物体没用，对移动物体是必需的。
• 视觉伺服。 不追求一次算准，而是边走边看，用「手在画面里的位置」和「目标位置」的差值持续修正。它对延迟不敏感，但要保证手始终在视野里。

人的反应延迟其实也有 150–200 毫秒，但人靠预测、靠触觉、靠「快碰到时减速」的本能把这部分补上了。机器人没有这些本能，只能靠工程补。

这也解释了一个常见现象：演示视频里的机器人往往比实际使用中「聪明」。 演示时物体摆好、光线稳定、人可以等它慢慢算；真实环境里，孩子的手已经在杯子旁边了。

为什么「看起来简单」的事故率高

把五关连起来看，就明白难点在哪了：

关卡	输入	输出	典型失败
看见	图像像素	一条射线	光照、反光、透明物体、遮挡
定位	射线 + 深度/先验	三维点	单目歧义、标定漂移
变换	相机坐标	身体坐标	外参偏差 1 cm，手偏 1 cm
反解	目标位姿	关节角	多解选错撞身体、无解未处理
执行	关节角	电流/力矩	刚度不当、限位误判、延迟累积

一个动作的成功率，是这五关成功率的乘积。每关 95%，五关下来只剩 77%。而现实里每一关在长尾场景下的成功率都远低于 95%——这就是为什么演示视频里行云流水，买回家三天就吃灰。

更麻烦的是误差会累积。第一关偏 2 厘米，第二关为了补偿又偏 3 厘米，第三关反解出一个更别扭的姿态，第四关为了到位把刚度调高，第五关撞到东西……单看每一关都不算错，连起来就是事故。

给非开发者的三个判断标准

如果你不是开发者，只想判断一台机器人「到底行不行」，可以问三个问题：

第一，它的相机是单目还是双目，深度怎么来的？ 单目 + 桌面假设，遇到悬空物体就废；双目要看基线长度和标定频率。

第二，它的手有多少个自由度，限位和防夹是机械的还是软件的？ 4 个自由度的手腕能做的事，比 2 个多一个量级；纯软件限位在驱动器故障时会失效。

第三，它出错了会不会自己停？ 这一条比前面所有参数都重要。会停的机器人，最坏结果是没完成任务；不会停的机器人，最坏结果是进医院。

术语表

术语	一句话解释
内参	相机的焦距与光心，决定像素对应哪个方向
外参	相机相对机器人身体的安装位置与朝向
正运动学	已知关节角，算手在哪
逆运动学	已知手要去哪，算关节角
自由度（DOF）	能独立运动的关节数量，Q1 为 22
刚度 / 阻尼	位置伺服里的「硬不硬」「刹不刹得住」
QDD	准直驱关节，小减速比、力控友好
视觉伺服	边看边调，用图像误差驱动动作
视差	同一个点在左右相机成像的水平位置差，用来算距离
标定	把内参、外参、畸变系数测出来的过程，换镜头或碰撞后要重做
端到端延迟	从「看见」到「关节动」的总耗时，通常 50–150 毫秒

小结

回到开头那只杯子。它被「看见」是一次投影，被「定位」是一次三角测量，被「理解」是一次坐标变换，被「执行」是一次反解加伺服，被「完成」是一次又一次的纠错。

机器人不是「不够聪明」，而是这条链路上的每一环都在和物理世界的噪声搏斗。理解这一点，再看那些演示视频，你会知道该为哪一步鼓掌，也该为哪一步担心。

Q1 把 22 个自由度、88 厘米身高、约 16 公斤的重量做进了「一个背包能带走」的形态，本质上是把这五关的工程复杂度压缩到了消费级成本。至于它能不能真的走进家庭，答案不在参数表里，而在上面那张「五关成功率」的表里——每一关都得有人去填。

参考资料

• 启元 Q1 产品页（88 cm、约 16 kg、22 自由度、QDD 关节 260 g、峰值扭矩密度 85 N·m/kg、防夹关节设计）：https://www.primebot.com/q1.html
• 启元 Q1 URDF V3.0（25 个 joint、22 个 revolute、24 个 STL 网格）：https://dev.primebot.com/download
• 启元机器人开发者学堂（开箱、功能介绍、使用教程）：https://dev.primebot.com/learn

想亲手验证这五关，Q1 的 URDF、SDK 与入门课程都在启元机器人开发者社区：https://dev.primebot.com/