本书目录直达

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第1章 机器人建模回顾-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第2章 连续与离散动力学与接触建模-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第3章 优化基础与数值方法-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第4章 视觉感知与三维理解 (一)-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第4章 视觉感知与三维理解 (二)详细推导-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第4章 — 代码实现扩展（工程/可运行 / 深度细节）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第5章 多模态感知与融合（深入数学推导与理论分析）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第6章 触觉与高分辨触觉（GelSight 等）与接触状态估计-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第7章 轨迹规划与碰撞避让 — 原理与深入推导-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第7章 (二) 轨迹规划与碰撞避让：采样式与优化式算法实战-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第 8 章 运动学与动力学的优雅耦合——原理详解-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第9章 全身优化与接触显式轨迹优化（Contact-Implicit TO）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第10章 MPC 与在线重规划（Model Predictive Control）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第11章 强化学习基础与进阶（数学推导与理论分析）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第12章 Sim-to-Real：域随机化、系统识别与自适应（推导与证明）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第13章 高样本效率策略：模仿学习、离线 RL 与混合方法-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第14章 多指手 / 人形手的动力学与控制 — 算法原理推导-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第15章 触觉引导与多接触操控 — 严谨推导与证明-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第16章 双臂协同与人形机体上的物体搬运-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第17章 任务与运动结合规划 (Task and Motion Planning, TAMP)-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】 第18章 以LLM为中枢的机器人高层控制-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第19章 安全控制理论与在线实现：CBF/CLF框架的数学基础与工程化路径-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第20章 形式化验证、测试与仿真基准：自动化测试套件、度量标准与实机验收流程-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第21章 力学与致动器设计的算法影响-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第22章 软件栈与实时体系（ROS2、实时中间件、联邦学习与分布式训练）-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第23章 实验室部署指南：从仿真到物理现实-CSDN博客

【现代人形机器人：从物理建模到大模型驱动的控制与学习】第24章 经典/现代人形与相关项目解读-CSDN博客

21.0 引言：算法与物理的统一

在前面的章节中，我们推导了高级控制框架，如TAMP（第17章）和CLF-CBF（第19章）。这些框架通常将机器人模型抽象为 $\dot{x} = f(x) + g(x)u$，并假设控制输入 $u$（通常是力矩）是一个可以瞬时、精确施加的理想信号源。

然而，物理现实远非如此。控制算法的性能——其稳定性、鲁棒性、带宽和效率——从根本上受到执行该算法的物理硬件（即致动器）的限制。一个CBF-QP控制器（第19章）可能在1ms内计算出一个安全力矩，但如果致动器的力矩带宽只有10Hz（100ms响应时间），这个安全指令在物理上就毫无意义。

本章的目标是深入推导致动器的机械设计（特别是传动比和弹性元件的引入）如何重塑控制问题本身。我们将证明，致动器设计不仅是算法的“实现层”，更是算法的“定义层”。算法的边界，首先由物理定律划定。

---

21.1 基线：刚性致动器（Rigid Actuator）的动态

首先，我们推导传统刚性致动器（例如，高齿槽比的直流电机和谐波减速器）的动态模型，并分析其对控制算法的根本性挑战。

21.1.1 动态模型与惯量反射

21.1.2 惯量匹配与传动比 $N$ 的优化

21.1.3 刚性设计的算法困境

---

21.2 有源弹性驱动 (Series Elastic Actuator, SEA)

21.2.1 SEA 的动态模型推导

21.2.2 算法影响：理想力矩控制的实现

21.2.3 分析：带宽 vs. 阻抗的权衡

21.2.4 分析：能量、效率与热力学

---

21.3 能量存储与变刚度（PEA / VSA）

SEA的能量优势在于动态任务。

21.3.1 被动弹性驱动 (PEA)

21.3.2 变刚度致动器 (VSA)

---

21.4 机械设计与控制联合优化 (Co-design)

21.4.1 Co-design 的数学形式化

21.4.2 Bi-level (双层) 优化框架

21.4.3 解决方案：可微分仿真 (Differentiable Simulation)

---

21.5 结论

致动器设计远非控制算法的实现细节，它在数学上定义了控制问题的边界。