简介：机器人控制中，柔顺性是保证机械臂安全交互的关键。串联弹性执行器（SEA）通过引入弹簧柔性，能有效提升力矩控制精度与碰撞安全性，但低频谐振限制了系统带宽。阻抗控制将机械臂末端建模为质量-阻尼-弹簧系统，通过调节期望刚度与阻尼可兼顾轨迹跟踪与接触柔顺。针对SEA驱动的两连杆机械臂，强非线性与参数不确定性使得传统控制方法难以平衡性能与稳定性。自适应控制可在线估计负载变化，动态面控制则避免反步法的微分爆炸问题，一阶变阻抗平滑切换刚柔状态。本文基于这些技术，设计了一套动态面自适应阻抗控制方案，并通过仿真验证了其在接触力抑制和跟踪精度上的有效性，可为机器人柔顺控制工程实践提供参考。 做机器人控制这些年，SEA（Series Elastic Actuator，串联弹性执行器）一直是我偏爱的驱动方案。它在电机和负载之间加了一个弹簧，天生自带柔性，力矩控制精度高，碰撞时还能缓冲；但代价也很明显——弹簧会引入低频谐振模态，把系统带宽拉低，控制器稍微给大增益就容易抖起来。再加上两连杆机械臂本身强非线性、参数不确定，传统PID根本兼顾不了“轨迹跟踪”和“接触柔顺”这两个目标。所以我最近把动态面控制、自适应控制、一阶变阻抗控制组合到了一起，在SEA驱动的两连杆机械臂上做了一套完整的阻抗控制方案，效果比我预想中更稳。这套方案解决的核心问题不复杂：让机械臂在高速跟踪轨迹的同时，碰到环境时能主动“软下来”，并且不依赖精确的负载和摩擦参数。整套设计从建模、控制器推导到仿真调参，我踩了不少坑，今天把这些过程、公式和调试经验一并记下来，供做机器人控制的朋友参考。
1. 系统建模：两连杆SEA机械臂的动力学到底怎么列
1.1 两连杆机械臂本体模型
平面两连杆机械臂是机器人控制研究里的经典对象。它自由度少，但非线性一点不少：惯性矩阵随位形变化，科氏力和离心力耦合明显，重力项也得老老实实写。动力学方程一般写成：
M(q)q̈ + C(q,q̇)q̇ + G(q) = τ
其中 q=[q1, q2] 是两关节角，M(q) 是 2×2 惯性矩阵，C(q,q̇) 是科氏力和离心力矩阵，G(q) 是重力项，τ 是关节驱动力矩。这里我按平面臂处理，重力项不算太复杂；如果做空间机械臂，还要再叠加更多项，但两连杆的核心难点不在重力，而在于 M(q) 随位形变化，并且 C 矩阵的选取不能随便来，必须满足 Ṁ - 2C 的反对称性质。这个性质是后面用 Lyapunov 方法设计控制器的基础，建模时如果 C 矩阵选得不对，后面所有稳定性证明和自适应律设计都会出问题。
实际建模时，我并不会把质量参数当成“精确已知”。我给臂的标称参数是 L1=0.45 m，L2=0.35 m，m1=2.0 kg，m2=1.2 kg，重心设在连杆中点，转动惯量按均质杆近似计算。但一旦末端夹持不同工具，m2 和整体转动惯量就会明显变化，这也是自适应控制真正要应对的场景——在线估计这些参数，而不是依赖离线标定结果。
一个实用的建模建议：把所有参数先集中到一个参数向量 p 里，然后把动力学改写成“回归矩阵乘以参数向量”的形式，即 Y(q,q̇,q̈)·p = τ。这样后面做自适应控制时，只需要在线更新 p 的估计值 p̂，控制律结构完全不用变。建模的时候多花十分钟做参数线性化，后面改负载、加摩擦补偿都会省很多事。
1.2 SEA执行器建模：把电机侧和负载侧分开看
SEA 的结构是“电机-减速器-弹簧-负载”。负载侧角度记为 q，电机输出轴角度记为 θ，弹簧产生的弹性力矩可以写成：
τ_s = K_s(θ - q)
其中 K_s 是弹簧刚度。对电机侧，动力学可以写成：
J_m θ̈ = τ_m - τ_s
对负载侧，机械臂动力学右端除了弹性力矩，还要把环境接触力矩 F_ext 也算进去。也就是说，SEA 的弹性力矩 τ_s 实际上是机械臂的“直接驱动力”，而电机力矩 τ_m 是通过控制器间接实现的。
这里有一个建模时的关键认知：如果直接把 τ_s 当作状态而不是控制输入，控制器设计会复杂很多，因为 τ_s 有自己的动态。我的做法是给 SEA 加一个内环力矩控制——先给定一个期望弹性力矩 τ_d，通过电机力矩控制让 τ_s 快速跟踪 τ_d。内环带宽做到 10 Hz 以上后，外环就可以把“SEA+机械臂”整体看成一个力矩可控的刚性驱动系统，阻抗控制器的设计难度会显著下降。
SEA 参数我取弹簧刚度 K_s=300 Nm/rad，电机转动惯量 J_m=0.02 kg·m²。这个刚度比刚性关节低不少，好处是接触时末端等效刚度下降，冲击能量能被弹簧吸收；坏处是系统会出现一个低频的弹簧-负载谐振峰。调试时如果内环控制器增益太高，很容易把这个谐振峰激励起来，整个臂会高频抖动。所以 SEA 建模建模时，别只看动力学方程，还要留意开环频率响应里的谐振峰位置。
| 驱动方案 | 力矩控制精度 | 碰撞安全性 | 控制带宽 | 建模复杂度 |
|---|---|---|---|---|
| 刚性驱动 | 低（受减速器摩擦影响大） | 低，硬碰硬 | 高 | 低 |
| SEA驱动 | 高，弹簧直接测力 | 高，弹簧缓冲 | 低，受谐振限制 | 中高 |
2. 控制架构：动态面、自适应和变阻抗三块怎么分工
2.1 为什么选动态面控制而不是反步法
反步法（Backstepping）是经典的非线性控制设计方法，但它在高阶系统里有个很难受的问题：每一步都要对虚拟控制律反复求导，系统每增加一阶，表达式就膨胀一次，这就是业内常说的“微分爆炸”。在 SEA 加两连杆机械臂这种四阶以上的系统里，解析导数会膨胀到完全不可用，看着那一堆公式连参数都不想改了。
动态面控制的思路是：让虚拟控制律先通过一个一阶低通滤波器，再把滤波后的信号传给下一步设计。这样控制器里的每一项只需要对原信号求值，不需要求它的解析导数。虽然滤波器会带来一点相位滞后，但只要时间常数选得合适（一般 0.005~0.02 s），对性能的影响很小，换来的实现便利性是决定性的。
从我实际体验来说，用动态面控制之后，控制器代码量大概只有传统反步法的三分之一，而且改一个增益不用重新推导一整套导数。特别是在做自适应控制时，回归矩阵 Y 里本来就带有一堆信号，如果虚拟控制律的导数也要解析展开，那代码基本没法维护。
2.2 一阶变阻抗设计：既要刚，又要柔，还不能突变
阻抗控制是一种让人与机械臂接触更安全、同时又保留位置控制精度的方案。它让机械臂末端对外表现出类似“质量-阻尼-弹簧”的动态关系，最常用的模型是：
M_d ë + B_d ė + K_d e = F_ext
其中 e = q - q_d，M_d、B_d、K_d 分别是期望惯性、阻尼和刚度，F_ext 是环境接触力。如果这三个参数是常数，系统设计起来简单，但问题也很明显：刚度和阻尼调大了，跟踪精度高、接触力也大；调小了，接触安全、但跟踪误差明显。做人机交互或者精密装配时，这两种状态其实都是需要的，于是就有了变阻抗的方向。
我这里的“一阶变阻抗”，不是直接去改控制目标中的刚度/阻尼值，而是让期望刚度或阻尼参数自己按一阶动态平滑调整。例如期望刚度从 K0 向目标刚度 K_target 调整时，用这个方式过渡：
T_k · dK_d/dt + K_d = K_target(e, t)
T_k 是一阶动态的时间常数。这么做最直接的好处是控制量不会因为阻抗参数突变而产生尖峰，机械臂在进入接触后又能快速调整柔顺程度。
在我这套系统里的具体策略是：自由空间跟踪时用高刚度（K_d=300 Nm/rad），保证轨迹精度；一旦检测到接触力矩超过阈值，就把目标刚度降到 80 Nm/rad，同时阻尼从 8 Nm·s/rad 升到 18 Nm·s/rad，整个过渡过程用 T=0.3~0.5 s 的一阶动态完成。从操作端的感受来说，机械臂碰到障碍物后会轻轻“让一下”，而不是硬碰硬地顶住。
2.3 自适应控制处理哪些不确定参数
SEA 机械臂的不确定性主要来自三个方面：负载质量和重心位置变化、关节摩擦（库仑加黏性）、SEA 弹簧刚度随温度和时间的缓慢漂移。如果把所有这些参数都当常数，机械臂换装不同工具后，控制器性能会肉眼可见地下降。
自适应控制的任务，就是把这些不确定量放进参数向量 p 里，用动力学方程中的回归矩阵 Y 在线更新估计值 p̂。我采用的是带 σ-修正的梯度自适应律：
p̂̇ = -Γ · Yᵀ · η
其中 Γ 是自适应增益矩阵，η 是误差变量，σ-修正项用于防止参数漂移。测试下来，单靠自适应并不能把所有跟踪误差都消除，但稳态误差大约降低了 60%，而且当末端负载突变时，系统响应会明显更快，不会再像固定参数控制器那样出现一两个周期的“愣神”。
有些人会把自适应控制和鲁棒控制放到一起比较。我的理解是：如果干扰是慢变的、不确定参数是常值的，自适应更合适，它能主动把参数“学”出来；如果干扰是高频突变的，自适应来不及响应，这时需要加鲁棒项补充。所以在我的控制律里，除了自适应项，还保留了一个高增益误差反馈项作为兜底，两者配合起来效果更稳。
3. 从公式到代码：控制器推导与离散化实现
3.1 外层控制律结构
整套控制器是分层结构：外层是“动态面自适应阻抗控制”，生成期望弹性力矩 τ_d；内层是 SEA 电机力矩环，让实际弹性力矩 τ_s 跟踪 τ_d。
外层控制律的关键变量定义如下：
- 跟踪误差 e = q - q_d
- 误差速度定义的参考速度 q̇_r = q̇_d - Λ·e，Λ 为正定增益矩阵
- 误差变量 η = q̇ - q̇_r
具体控制律可以写成：
τ_d = Y(q, q̇, α_f, α̇_f)·p̂ + M(q)·(α̇_f - Λ·η) + C(q,q̇)·(α_f - Λ·e) + G(q) + K_p·η
其中 α_f 是虚拟控制 α 经过一阶滤波器之后的输出，K_p 是误差反馈增益。虚拟控制 α 的设计要结合阻抗目标，我的实现方式是基于系统标称参数计算“保证跟踪加柔顺”的参考加速度项，再经过低通滤波器平滑。
自适应律采用前面说的 σ-修正梯度形式，离散化实现时注意，σ 的取值不宜过大，否则参数估计会被“压得过扁”，自适应能力变差；也不宜过小，否则容易出现参数漂移。我一般在仿真里取 σ=0.01，实际实现时再微调。
3.2 关键增益与时间常数怎么定
参数整定顺序特别重要。我建议这样走：
- 先整定 SEA 内环力矩环。用 PI 控制器加前馈补偿，把弹性力矩闭环带宽做到 10 Hz 以上。实际调试时，我给 P=0.8，I=5.0，前馈系数按 J_m 的估计值来。
- 再整定外层动态面控制器的 Λ 和 K_p。这两个参数决定跟踪误差收敛速度，K_p 通常取 5~20，Λ 取 2~10，从低到高慢慢加。
- 最后再加自适应增益 Γ。Γ 从较小的对角阵开始，比如 diag(0.1, 0.1, 0.1)，观察参数估计是否稳定，再逐步加大。
| 参数 | 初始推荐值 | 作用 | 调高影响 | 调低影响 |
|---|---|---|---|---|
| 内环 P | 0.8 | 力矩环比例增益 | 响应快但容易激励谐振 | 响应慢，力矩跟踪滞后 |
| 内环 I | 5.0 | 消除稳态力矩误差 | 积分过强，超调 | 稳态误差增大 |
| 滤波时间常数 τ_f | 0.01 s | 平滑虚拟控制律 | 相位滞后明显 | 高频噪声直接进入控制 |
| 自适应增益 Γ | 0.1~1.0 | 参数更新速率 | 参数抖动、漂移 | 参数学习速度慢 |
| σ修正 | 0.01 | 防止参数漂移 | 自适应能力弱 | 漂移风险高 |
3.3 离散化实现与代码结构
这里给一个简化的 Python 示例，演示控制主循环的框架。实际硬件上我会用 C++ 写，但逻辑完全等价：
# 控制主循环（简化示例） while control_running: # 读取负载侧关节角度与角速度 q, q_dot = get_joint_state() # 读取SEA弹性力矩 tau_s = get_spring_torque() # 估计接触力矩 F_ext = estimate_contact(q, tau_s) # 更新期望阻抗参数（一阶动态平滑） if contact_detected: K_target = 80.0 B_target = 18.0 else: K_target = 300.0 B_target = 8.0 K_d += dt / T_k * (K_target - K_d) B_d += dt / T_b * (B_target - B_d) # 动态面误差变量 e = q - q_d q_r_dot = q_d_dot - Lambda @ e eta = q_dot - q_r_dot # 虚拟控制与一阶滤波器 alpha = q_r_dot - K_z @ eta - M_d_inv @ (B_d @ e + F_ext) alpha_f += dt / tau_f * (alpha - alpha_f) # 回归矩阵与自适应更新 Y = compute_regressor(q, q_dot, alpha_f) p_hat -= dt * Gamma * Y.T @ eta p_hat = sigma_modify(p_hat) # 外层控制力矩 tau_d = feedforward(q, q_dot, alpha_f, p_hat) + Kp @ eta # SEA内环力矩控制 set_motor_torque(inner_loop_torque(tau_d, tau_s))实现时要注意：一阶滤波器的时间常数 τ_f 必须比外环控制周期大一个数量级以上。比如控制周期是 1 ms，τ_f 至少取 5~10 ms，否则滤波器在离散域中根本“拉不平”信号，会导致虚拟控制量出现阶梯式跳变。另外，自适应参数的离散化用后向欧拉，更新率不要超过控制频率的一半，避免数值不稳定。
提示：如果你在仿真里发现自适应参数发散，先不要急着降 Γ。检查一下回归矩阵 Y 的各列量纲差异是不是太大，必要时对参数做归一化处理。量纲差异高的场景下，自适应增益矩阵最好用对角阵，每一项单独缩放。
4. 仿真与实验对比：参数表、曲线结果和我踩过的谐振坑
4.1 仿真参数设置
我在 Python 里搭了一套完整的仿真环境，用四阶 Runge-Kutta 做动力学积分，控制频率 1 kHz。机械臂参数和控制器参数如下：
| 参数 | 数值 |
|---|---|
| L1 / L2 | 0.45 m / 0.35 m |
| m1 / m2 | 2.0 kg / 1.2 kg |
| K_s（SEA刚度） | 300 Nm/rad |
| J_m（电机惯量） | 0.02 kg·m² |
| M_d（期望惯量） | 1.0 kg·m² |
| B_d（自由空间阻尼） | 8 Nm·s/rad |
| K_d（自由空间刚度） | 300 Nm/rad |
| 接触后目标阻尼 | 18 Nm·s/rad |
| 接触后目标刚度 | 80 Nm/rad |
| 一阶变阻抗时间常数 | 0.4 s |
| 动态面滤波时间常数 τ_f | 0.01 s |
| 自适应增益 Γ | diag(0.5, 0.5, 0.5) |
| σ修正系数 | 0.01 |
仿真中给的轨迹是两个关节都做正弦运动，幅值 0.3 rad，频率 0.5 Hz。在第 4 秒左右让末端碰到一个刚度较高的环境表面，持续接触 2 秒再离开。
4.2 结果分析：刚性接触与柔顺接触两套表现
先把变阻抗功能关掉，用固定阻抗参数跑一遍，接触力峰值达到 47 N，而且接触瞬间力矩信号有明显的振荡。这里有个重要观察：固定高刚度参数下，机械臂为了保持轨迹精度，会把接触力“硬扛”下来，这在我们做装配、打磨类任务时非常不利。
打开一阶变阻抗后，同样的接触场景，接触力峰值降到 19 N，下降约 60%。更重要的是，接触力曲线没有出现尖刺，而是平滑上升后稳定在一个较低水平。这是因为接触检测触发后，K_d 和 B_d 沿一阶动态过渡，控制力矩没有突变，SEA 弹簧吸收了大部分冲击。
跟踪误差方面，自由空间段的最大跟踪误差从固定高刚度时的 0.006 rad 变大到了 0.009 rad，这可以接受，毕竟系统在接触前后发生了阻抗切换。接触稳定后，由于刚度降低，跟踪误差会适当增大，但接触力更平缓，对硬件也更友好。整体来看，这套方案在“跟踪精度”和“接触柔顺”之间做到了比较理想的折中。
4.3 实测中SEA柔性模态带来的振荡问题
仿真跑通后我一度以为很简单，但一上实际平台就碰到问题：SEA 内环力矩环我按照仿真参数调，结果 2 kHz 下电机开始啸叫，机械臂高频抖动。后来用示波器看力矩环误差，发现是内环 P 增益太高，把弹簧-负载的谐振模态（大约 11 Hz 附近）激励出来了。
解决办法是给力矩环反馈信号加一个带阻滤波器，中心频率放在谐振峰附近，同时把内环 P 从 0.8 降到 0.5，I 从 5.0 降到 3.0。带阻滤波器的 Q 值不能太大，否则会在谐振频率附近引入相位滞后，反而降低带宽。实测 Q=1.2 时，内环相位裕度保留得比较好，振荡问题也基本消失。
这里分享一个经验：SEA 系统的谐振峰位置可以粗略估算为 f_res = sqrt(K_s / (J_m + J_load)) / (2π)，在我这个配置下大约就是 10 Hz 量级。所以设计内环带宽时，上限建议控制在 12~15 Hz，别贪高。超过这个值，你会在调试中花大量时间对付谐振，得不偿失。
5. 常见问题排查与调参经验
5.1 一阶变阻抗时间常数选多大？选小了会怎样
T_k 太小（比如 0.05 s），阻抗参数几乎瞬间切换，控制力矩会发生明显跳变，虽然比直接切换好一点，但在高增益环境下仍可能激发机械臂抖动。T_k 太大（比如 2 s），接触后刚度下降太慢，机械臂已经和环境“硬碰”了，柔顺性大打折扣。
我常用的策略是 T_k 取 0.3~0.5 s，相当于在 300~500 ms 内完成阻抗切换。这个时间尺度比人手的自然反应稍快一点，但对机器人控制系统来说足够平滑。如果你的任务需要更快的接触响应，可以考虑把 T_k 缩短到 0.15~0.2 s，前提是控制周期足够短（至少 1 kHz），并且内环力矩环足够稳。
注意：T_b（阻尼切换时间常数）最好和 T_k 分开调，不要共用同一个值。常见的做法是 T_b 比 T_k 略大 0.1 s，这样刚度先下降、阻尼后增大，接触力过渡更自然。
5.2 自适应增益和动态面滤波器时间常数的“三角关系”
动态面滤波时间常数 τ_f 和自适应增益 Γ 之间存在耦合关系：τ_f 越小，进入自适应回归矩阵的高频信号越多，参数估计越容易抖动；τ_f 越大，信号越平滑，但自适应对真实参数变化的响应也越慢。所以调节时不能单独死磕一个参数。
我的调试顺序是：先把 Γ 设到很小的值（0.1），调 τ_f 到跟踪误差不再有明显高频抖动（大概 0.01~0.02 s）；然后把 Γ 慢慢加大，每加一次观察参数估计曲线是否平滑，如果出现高频振荡，把 Γ 回调 30%。最后再做一次微调，让稳态误差和参数收敛速度平衡。
还有一个容易忽略的点：自适应律中的回归矩阵 Y 如果包含了加速度 q̈，而 q̈ 是从角度差分得到的，噪声会非常大。实际实现时我建议用滤波后的参考速度去构造 Y，或者对 q̈ 做低通滤波。否则自适应增益稍大，参数估计就会“抽风”。
5.3 参数突然跳变导致的控制信号跳变怎么解决
变阻抗本身用一阶动态平滑后，控制信号跳变已经缓解很多。但如果你在自由空间和接触状态之间频繁切换，切换逻辑本身就可能造成目标参数突变。我在仿真中发现，接触状态检测阈值设得太低时，机械臂会因为微小力波动在“接触/非接触”之间来回切换，阻抗参数震荡，控制力矩也跟着抖。
解决办法是给接触检测加一个滞回区间，比如接触力超过 5 N 判定进入接触，低于 2 N 才判定离开。这 3 N 的滞回区间能有效避免频繁切换。同时，把目标 K_d 和 B_d 的切换也做成带状态记忆的逻辑，避免重复计算一阶动态初始值。
5.4 我的调参顺序和一点体会
整套系统调试下来，我最想强调的就是顺序问题。先固定变阻抗参数（设成常数），把底层 SEA 内环调稳，再把动态面控制器调到跟踪误差可接受，最后才打开自适应和变阻抗。如果一上来就全开，出了问题根本分不清是哪个模块引起的。
一个实用的技巧：把自适应估计出的参数记录下来。如果参数收敛后和真实值偏差很大，别急着怀疑自适应算法，先检查回归矩阵的秩和激励条件。轨迹激励不足时，参数是不可辨识的，再高级的自适应控制也没办法。这时候需要给参考轨迹加一点幅值更丰富的成分，或者手动给机械臂一个扰动，让参数“学”出来。
根据我个人经验，这套“动态面+SEA+两连杆+自适应+一阶变阻抗”的组合，最大的优势不是某一个模块本身多厉害，而是它把各模块的互补性吃得很透：SEA 提供硬件层面的安全缓冲，一阶变阻抗提供任务层面的柔顺切换，自适应消掉参数不确定性，动态面控制让整个非线性控制器变得可工程实现。四者组合在一起，机械臂在面对接触任务时的表现比任何单一控制方案都要从容。
最后分享一个小技巧：如果你在做 SEA 机械臂的阻抗控制，请一定在仿真里加上力矩环的饱和限制和弹簧形变量限制。我实际测试时发现，很多“控制器发散”其实只是弹簧形变量超过安全限位，导致系统进入非线性区域。加一个限幅逻辑，稳定性会好很多。这套方案后续可以继续扩展的方向包括：把一阶变阻抗扩展到环境刚度估计、加入迭代学习前馈、或者把动态面控制扩展到冗余自由度机械臂上。但无论怎么扩展，底层这些原理和调试顺序，都是通用的。
本文还有配套的精品资源，点击获取
