技术角度谈"机器人为何老爱跺脚"~

大家好，我是bug菌~

大家在网上应该经常有看到机器狗，机器人动起来需要反复的原地踏步，或者是转个弯都得多踏几次步，会给一种机械味很重的感觉。

那么今天bug菌将跟大家聊一些这种跺脚深层次一点的原因，解解惑~

1、人类胜利与机器困局

人体站立平衡

人类的平衡是神经系统、生物力学与多感官整合的精密协作： 看似静止的站立实为动态调控，人体如同倒置钟摆，依赖肌肉持续张力（非单纯跟腱弹性）维持基础支撑，同时通过多层级神经反馈（脊髓反射30-50ms延迟+脑部200ms高级整合）快速修正失衡，并以前馈机制预判风险（如预收紧肌肉）。前庭系统捕捉低频晃动（＜0.1Hz），视觉追踪高频位移（＞1Hz），足底触觉提供实时接触信息，三者滤波融合后消除环境干扰。修正动作实际频率仅1-3Hz，高频震颤（5-15Hz）多为肌肉被动振荡，而“每秒百次调节”实为跨时间尺度的协同控制（脊髓毫秒级微调+脑部秒级策略优化），所以人体平衡是多模态实时调控体系，属实复杂。

机器人平衡

人玩过平衡车的都知道，基本上都是闭环反馈控制，只是相对控制会更加复杂一点，bug菌画了张示意图，如下:

可以说这个数字闭环中的每个环节都在积累误差，最终都必须通过物理运动来消除不确定性。

2、工程现实问题

根据现有技术，要做机器人不得不面临着各种现实的问题。

首先对于反馈系统，传感器的性能品质是要直面的问题，精度、准度、噪声等稳定性，现在IMU采用的加速度噪声都不小，及时再小的误差经过积分运算，长时间也会导致较大的位置漂移，这说明了为何算法上需要周期性重定位。

既然简单聊了传感器，该谈一下执行结构了，执行机构的非线性是非常影响控制效果的，如下是人类的肌肉与电机特性,简单那比较:

这导致电机必须持续运动来补偿静态误差，如同相机防抖的微动机制。

最后肯定是控制算法了，如果单纯用经典控制，像PID、频率法，相对就比较吃力，难以处理多变量耦合、非线性（如柔性关节摩擦）和强干扰环境。

由于需要处理动态平衡和复杂的地形适应，通常需要更高级的控制策略。例如，模型预测控制、阻抗控制、以及基于强化学习的自适应控制。这些方法属于现代控制理论，甚至超越传统现代控制，进入智能控制的范畴。

但在一个大系统中然而可以看到经典控制的身影，比如一些电机的控制等单输入单输出（SISO）的控制模块。

然而经典控制理论中的摩擦极限环现象：当系统存在静摩擦时，PID控制必然引发小幅振荡，为克服静摩擦，控制器必须主动注入能量，这正是跺脚动作的能量来源。虽然现代控制通过非线性建模、实时补偿和优化预测，理论上可根除经典摩擦极限环，但在工程实践中仍需权衡模型精度、计算负载和硬件限制。

3、机器人剁脚的好处

大家有学习过在现代控制理论的话，就一定会接触到观测器，如果不运动，反而系统相关状态变量是不可观测的。

1. 非线性掩盖效应

• 静摩擦力、齿轮间隙等非线性因素在静止时主导系统行为，掩盖真实动力学特性。例如，关节静摩擦力可能被观测器误判为外部负载，导致状态估计偏差。

1. 传感器信息局限

• 常规传感器（如编码器）在静止时仅提供位置数据，无法直接测量速度、摩擦力等隐含状态。若无动态激励，观测器无法通过微分或滤波推算隐藏变量。

 那也就无法较好的控制，所以机器人老剁脚就是因为就是一种主动的进行扰动注入，然后从噪声中提取信息,这样也就增加了系统对环境感知能力，噪声扰动成为系统辨识的探针，研究控制理论的确实是一帮天才。

当然还有一些其他好处，比如运动起来的冲击能量被循环用于运动控制，机械振动转化为可存储电能等等。

运动不仅是控制目标，更是感知手段——通过动态暴露隐藏状态，实现“以动致静”的精准估计。

好了，今天就跟大家分享这么多了，如果你觉得有所收获，一定记得点个赞~