🦉 猫头鹰都在卷机械臂逆解了,你确定不关注一下?

第 10 讲 · 机器人控制体系结构:把"干活"拆成四层

一句话核心:机器人控制系统不是一坨程序,而是四层金字塔——越往上越像"人做计划"(慢、允许思考),越往下越像"电机在死守指令"(快、必须实时)。

  • 本讲目标:看懂四层功能体系结构每一层干什么、时间尺度差多少;理解示教再现与机器人编程语言;知道硬件为什么是分布式多板卡。

一、为什么需要这个

小讲 1:为什么一个 PID 不够用,四层金字塔从哪来

1.1 一个 PID 控制器为什么不够用

你已经学过 PID:给定值和反馈值相减得到误差,控制器算出输出,电机照办。听起来一个控制器就够了。

但真实产线上的机器人要干的活是:“把传送带上过来的这批零件,按装配顺序装到那个壳子里。” 这句话里没有角度、没有速度、没有力矩——它是一句人话。

1.2 从北京去上海:四步对应四个层级

生活比喻:你要从北京去上海开会。

  • 第一步:决定"要去上海、要带什么、几点前到"(计划,花几分钟想);
  • 第二步:拆成"打车去机场 → 过安检 → 登机 → 落地坐地铁"(动作序列,几十秒到几分钟变一次);
  • 第三步:具体到"从 A 口走到 B 口,走这条路线,用 1.2 m/s 的速度"(轨迹,毫秒到百毫秒级刷新);
  • 第四步:腿上的肌肉不断微调平衡、步长(伺服,几毫秒一次,根本不过脑子)。

机器人完全一样。这四步对应四个层级:任务级、动作级、基元级、伺服级。

1.3 不分层的两个死结

如果不分层,会出现两个死结:(1)用写伺服程序的语言(C / 汇编)去写"装配这批零件",没人写得出来;(2)用做任务规划的算法(要跑几秒甚至几分钟)去控制电机,电机早撞坏了。分层的本质,就是让不同时间尺度的活各干各的。

停下来想一想

在"去上海开会"这个比喻里,"决定几点前到"和"腿部肌肉微调平衡"分别对应哪一层?两者的时间尺度差了多少个数量级?

二、核心概念

小讲 2:每层的三个模块与四层各自干什么

2.1 每一层都由三个模块拼成

给了一个很有用的规律:功能体系结构是"若干活动层叠起来",而每一层内部都长一个样,都是三个模块。

感知模块sensory module

采集、加工、对齐、融合传感器数据。大白话:这层的"眼睛和耳朵"。负责回答"现在是什么情况"。

建模模块modelling module

存放基于先验知识建立的世界模型,并被感知模块持续更新。大白话:这层的"脑子里的地图"。负责回答"世界大概长什么样"。

决策模块decision module

把高层任务在时间上拆成串行动作、在空间上拆成并行动作。大白话:这层的"指挥官"。负责回答"下一步干什么"。

提示

关键一句:真正决定"这一层是第几层"的,是决策模块干了什么,而不是感知或建模模块。同一个传感器(比如相机)在高层和低层都可能用到,但用法完全不同。

另外两层之间、模块之间数据流量极大,所以要强调要有一块全局共享内存shared global memory:里面放着整个系统和环境的最新状态估计,谁都能读,谁都能写。同时在每一层都要留操作员接口,让人能随时监督和插手。

2.2 四层分别干什么(本讲最核心)

① 任务级 Task level时间尺度:分钟级

用户用高度抽象的方式下达任务,比如"完成这个装配"。决策模块去翻建模模块里的知识库(装什么、零件有哪些、装配顺序、用什么工具),把任务拆成一串在时空上协调好的动作。感知模块用高层视觉系统告诉它"零件在哪"。

② 动作级 Action level时间尺度:秒级

把上层的符号命令翻译成一串中间构型,也就是每个基本动作的"路径点"。具体决策包括:选哪个坐标系、平移和旋转要不要分开处理、在关节空间还是操作空间做、走哪些 via point、用什么插值函数。还要检查可行性:会不会撞障碍物、会不会靠近运动学奇异位形、会不会撞上关节限位、冗余自由度怎么用。

③ 基元级 Primitive level时间尺度:十毫秒到百毫秒级

根据上面给的构型序列,算出真正可执行的运动轨迹,并决定控制策略。它要参考机械臂的动力学模型,选定控制算法类型(分散控制 / 集中控制 / 交互控制)、定增益、必要时做运动学反解(kinematic inversion)。感知模块这里负责发现"规划与执行之间的冲突",用的是力传感器、低层视觉、接近传感器。

④ 伺服级 Servo level时间尺度:毫秒级(约 1 ms)

真正实现控制算法、给出驱动信号的地方。它对"参考值 vs 实际值"的误差信号做运算,用到动力学模型(必要时还有运动学)。决策模块在这里做微插值(microinterpolation,把参考轨迹切得更细,好压榨驱动器的动态性能)、算控制律、生成送给驱动器的电压/电流信号。感知模块提供本体感受传感器proprioceptive sensors,即位置、速度、必要时接触力的测量值。

小讲 3:现实只实现三层,以及编程环境的三代演变

2.3 现实中的机器人并没有四层全实现

停下来想一想

很诚实地指出:任务级目前基本没有实现,因为还没有可靠的应用软件包能撑起这一层所需的复杂功能。当前先进工业机器人的实际情况是:

  • 伺服级:建模模块和感知模块必须都有(要高性能动态性能);

  • 基元级:建模模块通常有,感知模块只在需要和"不那么结构化的环境"打交道时才配;

  • 动作级:决策模块只退化成"解释操作员下发的命令",真正的任务拆解全靠人,所以这一层没有建模和感知模块,可行性检查被下推到基元级。

补充:提到 NASA 的 NASREM 参考模型做到了六层(使命 → 复杂任务 → 基本任务 → ……),用于空间服务机器人。层级是可以往上继续加的。

2.4 编程环境:三代演变
代际做法对应体系结构哪一层使用者
示教再现teaching-by-showing人用手或示教器(teach pendant)带着机械臂走一遍路径,关节位置传感器的数据被存下来,之后原样重放基元级产线技术员,不需要编程能力
面向机器人的编程robot-oriented programming专门的机器人语言(结构化、解释执行、带坐标系符号、矩阵运算、PLC 功能、并行计算)动作级专业程序员
面向对象编程object-oriented用高层语句直接描述"对场景里的物体干什么",自动展开成一串动作任务级仍在研发中(专家系统 / AI 范畴)

示教再现的局限:不支持逻辑判断和排队;示教时机器人必须停产让人用;典型应用只能是点焊、喷漆、简单码垛。补救办法是给它配一个简单语言,能:示教记录位姿 → 用正运动学算出末端位姿 → 指定运动基元和轨迹参数(速度通常写成最大速度的百分比)→ 用逆运动学算伺服参考值 → 让动作能被简单外部传感器(比如"夹爪上有东西吗")条件化 → 用文本编辑器改动作序列 → 把小段序列连起来。

还强调:机器人编程环境 ≠ 普通编程环境,因为程序执行会对物理世界产生作用。再精确的模型也会遇到没预料到的情况。所以环境必须具备:实时操作系统、世界建模、运动控制、传感器读取、与物理系统交互、错误检测、恢复正常操作、专门的语言结构。一共七条。

小讲 4:硬件为什么是分布式多板卡与多速率总线

2.5 硬件体系结构:一块总线挂一堆板卡

功能上是分层的,硬件上就自然要做成分布式:各块板卡有自己的计算能力,靠总线互连。那套体系里:

  • 系统板(CPU + 数学协处理器 + EPROM + 本地 RAM + 共享 RAM + 串口并口 + 计数器/寄存器/定时器 + 中断系统):负责示教器/键盘/显示器接口、硬盘、以太网、现场 I/O、系统引导、语言解释器、总线仲裁。
  • 运动学板:算运动基元、正/逆运动学、雅可比、轨迹可行性检查、冗余处理。
  • 动力学板:算逆动力学。
  • 伺服板:参考值微插值、控制算法、D/A 转换并接功率放大器、处理位置速度传感器、故障时中断运动。
  • 力板 / 视觉板:现场做数据调理、提取几何特征、把物体定位到给定坐标系里。

提示

多速率(multirate)是关键设计思想:所有板卡挂同一条总线,但刷新率不必相同。

  • 连本体感受传感器的板卡:100–1000 Hz(要高性能动态控制,也要在极短时间内发现末端接触);

  • 运动学板、动力学板:10–100 Hz(机械臂位姿在极短时间内变化不大);

  • 视觉板:1–10 Hz(场景基本静止,而且图像解释本身很慢)。

这样设计既保证实时性,又避免总线被低速大数据(图像)堵死。

2.6 集中式 vs 分布式,以及"开放式控制器"的意义

集中式

所有计算塞进一块 CPU:任务解释、轨迹插值、控制律、传感器采集全由它轮着干。

问题:伺服级要 1 ms 硬实时,一旦被图像解释这类慢活占住,控制环就抖动甚至超时。

分布式

按功能切分 Computational resources,每块板卡各算各的,只通过总线交换必要的结果。

好处:慢活和快活物理隔离,各自按自己的节奏跑(这就是上一节的多速率)。

停下来想一想

**那"开放式控制器"指什么?**的原话是:功能上的分层与模块化,提示硬件应当采用"由合适的通信信道互连起来的分布式计算资源"来实现。把这句话翻译到工程语境:

  • 结构上开放:板卡挂在标准总线上,功能按板划分,用户可以增删板卡(想加视觉就加视觉板,想加力控就加力板);

  • 接口上开放:系统板提供以太网、串口并口、现场 I/O,可以与工作站和其他控制系统联网;

  • 带来的意义:控制算法不再被锁死在厂商的黑盒里,用户可以在基元级/伺服级替换自己的控制律,这正是后面几讲"运动控制、力控制、视觉伺服"能落地的前提。

停下来想一想

真实工业机器人里,动作级的决策模块退化成了什么?真正的任务拆解由谁完成?另外,决定"这是第几层"的是三个模块中的哪一个?

三、关键公式

小讲 5:四层时间尺度对照与五个必记词

3.1 四层的时间尺度对照

本讲几乎不含数学公式,但有一组"工程参数"必须记住,它比公式更重要:

任务级→采样/决策周期 分钟(minute)动作级→采样/决策周期 秒(second)基元级→轨迹刷新 10−1s伺服级→采样周期 10−3s(millisecond)硬件对应:伺服/传感器板100…1000Hz运动学/动力学板10…100Hz视觉板1…10Hz \begin{aligned} \text{任务级} \to \text{采样}/\text{决策周期} ~ \text{分钟} (minute) \\ \text{动作级} \to \text{采样}/\text{决策周期} ~ \text{秒} (second) \\ \text{基元级} \to \text{轨迹刷新} ~ 10^{-1} s \\ \text{伺服级} \to \text{采样周期} ~ 10^{-3} s (millisecond) \\ \text{硬件对应:} \\ \text{伺服}/\text{传感器板} 100 \dots 1000 Hz \\ \text{运动学}/\text{动力学板} 10 \dots 100 Hz \\ \text{视觉板} 1 \dots 10 Hz \end{aligned} 任务级→采样/决策周期 分钟(minute)动作级→采样/决策周期 秒(second)基元级→轨迹刷新 10−1s伺服级→采样周期 10−3s(millisecond)硬件对应:伺服/传感器板100…1000Hz运动学/动力学板10…100Hz视觉板1…10Hz​

3.2 五个必须记住的词
符号 / 词含义
采样率控制器每隔多久"看一次传感器 + 算一次输出 + 更新一次指令"
毫秒级(ms)1 ms = 千分之一秒。伺服级就是这个量级
proprioceptive sensors本体感受传感器:测自己(位置、速度、力),不测外界
microinterpolation微插值:在伺服级把参考轨迹再切细,让驱动器跑满性能
multirate多速率:不同模块用不同频率交换数据
3.3 时间尺度跨了 5 个数量级意味着什么

直觉上这是在说什么:从任务级到伺服级,时间尺度差了大约5 个数量级(分钟 vs 毫秒)。这就是为什么必须分层——没有任何单一算法能同时兼顾"想几分钟"和"每毫秒必须出结果"。

停下来想一想

伺服板跑 100–1000 Hz、视觉板只跑 1–10 Hz,它们挂在同一条总线上时,为什么必须按不同速率交换数据?

图 1:四层功能体系结构。

图 1:四层功能体系结构。左侧向下=命令逐级细化,右侧向上=测量与执行结果逐级汇总。每一层内部都有"感知 / 建模 / 决策"三个模块,层间靠全局共享内存交换状态。实际工业机器人通常只实现伺服级、基元级和(退化后的)动作级,任务级基本缺失。

四、看图串讲

小讲 6:四层金字塔全图与图注怎么读

从上往下读这张金字塔:层越靠上,管的事越大、时间尺度越慢;越靠下,管的事越小、循环越快。左边向下的箭头是命令逐级细化,右边向上的箭头是测量逐级汇总。每一层内部都分感知、建模、决策三块,层与层之间靠共享状态交换信息。读完数一下:你正在学的 PID 落在最底下哪一层,上面的规划又落在哪一层。

停下来想一想

图上左右两条箭头各表示什么方向的数据流?按图注的说法,当前工业机器人实际实现了哪几层、缺了哪一层?

五、例题 / 动手

例 1:把"取放"任务沿四层走一遍

场景:机械臂要把 A 处的物体抓起来,放到 B 处。

  1. 任务级:任务 = “把物体从 A 搬到 B”。决策模块查知识库(物体类型、用什么夹爪),感知模块用高层视觉确认"物体确实在 A"。
  2. 动作级:拆成动作序列——接近 A(approach)→ 抓取(grasp)→ 抬起(lift)→ 移动到 B 上方(transfer)→ 下降(approach)→ 释放(release)→ 退回。每个动作给出末端位姿,并选好是走关节空间还是操作空间、要不要经由点。
  3. 基元级:给每个动作生成具体轨迹(Problem 6.2 专门问:给定 via point 和给定 path point 时,运动基元分别是哪些?——前者只约束端点、中间自由插值;后者沿途每点都指定,要插值成连续路径),选定控制策略与增益。
  4. 伺服级:把轨迹微插值成每毫秒的参考值,PID/动力学补偿算出力矩,送给驱动器;同时读编码器确认没跑偏。

提示

动手建议:拿你身边任何一台机器人(哪怕是扫地机)试着写"任务级 / 动作级 / 基元级 / 伺服级"四句话,检验自己是否真的分清了抽象层次。

例 2:判断一个需求属于哪一层
需求属于哪一层理由
“识别料箱里哪个零件是螺丝”任务级 / 动作级(高层视觉)需要从场景里识别物体,属于高层感知
“这条轨迹经过奇异位形附近,换条路走”动作级可行性检查中的"奇异位形邻域"一项正是动作级职责
“末端碰到工件了,立刻切换成力控”基元级力传感器数据、控制策略切换都在基元级
“关节 2 实际位置比参考值差了 0.3°,加大电流”伺服级误差信号 → 控制律 → 驱动信号

停下来想一想

"末端碰到工件了,立刻切换成力控"属于哪一层?为什么它不属于伺服级?再举一个只能由伺服级完成的需求。

六、常见误区

6.1 四层不是流水线,层数也不是越多越好

常见误区

误区 1:以为四层是"四级流水线",上一层做完才轮到下一层。
不是。四层是同时在运行,只是刷新率不同:任务级几分钟动一次,伺服级每毫秒动一次。高层在慢慢规划时,低层一直在闭环跑着。

常见误区

误区 2:以为层数越高、模块越全就越好。
要说明:感知和建模模块在每层都配齐是"参考模型",真实产品因为技术和成本限制做了裁剪——比如动作级的任务拆解功能是交给人的。不要拿参考模型当现状。

6.2 示教再现不是古董,分布式的精髓是多速率

常见误区

误区 3:以为"示教再现"是过时的老古董。
它至今是点焊、喷漆、码垛的主力方案,因为它对操作员的编程能力零要求,而且接口物理世界最自然。很多"面向机器人"的高级语言仍然保留了示教模式来记录位姿。

常见误区

误区 4:把"集中式 vs 分布式"理解成"一个 CPU vs 多个 CPU"的全部。
重点在于多速率总线:视觉板 1–10 Hz 和伺服板 100–1000 Hz 挂同一条总线,靠不同交换频率避免总线溢出。这才是硬件体系结构的精髓。

停下来想一想

四层是轮流干活还是同时在运行?当任务级还在慢慢规划时,伺服级此刻在做什么?

七、本讲小结

停下来想一想

你在《自动控制原理》学的 PID 落在四层中的哪一层?齐次变换和雅可比又主要落在哪两层?

要点回顾
  1. 功能体系结构是四层金字塔:任务级(分钟)→ 动作级(秒)→ 基元级(百毫秒)→ 伺服级(毫秒),时间尺度跨约 5 个数量级。
  2. 每层都由感知 / 建模 / 决策三模块组成;决定层级身份的是决策模块,不是传感器。
  3. 层间数据流:向下传指令,向上传测量与结果,靠全局共享内存交换状态;每层都要有操作员接口。
  4. 编程环境三代:示教再现(基元级)→ 面向机器人编程(动作级)→ 面向对象编程(任务级,仍在研发)。
  5. 硬件是分布式多板卡 + 总线:系统板、运动学板、动力学板、伺服板、力板、视觉板;按 1000 Hz / 100 Hz / 10 Hz 多速率运行。
一句话总结

控制体系结构回答的是"谁在什么时间尺度上、替谁做决定"——上层负责想清楚干什么,下层负责每毫秒别出错。

Logo

DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐