机器人学概论 | Introduction to Robotics

1 机器人学概论 | Introduction to Robotics

1.1 引言：从机械自动装置到智能机器人

人类对能够自动执行任务的机械装置的追求，可以追溯至古代文明的辉煌时期。公元前400年左右，古希腊数学家阿契塔（Archytas of Tarentum）据说设计了一只会飞的机械鸽子，这是已知最早关于自动机械的记载之一。然而，真正意义上的机器人（Robot）概念，则要到20世纪才被正式提出并付诸实践。1920年，捷克作家卡雷尔·恰佩克（Karel Čapek）在其科幻剧本《罗梭的万能机器人》（Rossum's Universal Robots）中首次使用了"robot"这个词，该词源自捷克语的"robota"，意为"强制劳动"或"苦役"。恰佩克笔下的机器人是被制造出来服务于人类的机械生物，它们最终因不堪奴役而起义，反过来消灭了人类自身。这一文学创作不仅确立了一个延续至今的术语，更深刻地揭示了人类对于替代自身劳动的机械力量的复杂情感：既充满期待，又心存忧虑。

从那时起，机器人技术的发展轨迹清晰地呈现出从简单机械自动化向复杂智能系统演进的趋势。早期的工业机器人主要被设计用于执行预定义的、重复性的任务，它们缺乏对环境的感知能力，完全依赖预先编程的轨迹运动。1961年，美国Unimation公司推出的Unimate成为世界上第一台商业化的工业机器人，被安装在通用汽车公司的压铸生产线上，用于从压铸机中取出炙热的金属部件并将其堆叠整齐。这台革命性的机器标志着机器人技术正式进入工业应用领域，开创了制造业自动化的新纪元。然而，从严格意义上讲，Unimate与其说是一台"机器人"，不如说是一台精密的可编程机械手。它的控制系统只能记录和回放一系列位置点，无法根据环境变化做出调整，更谈不上学习和推理能力。

真正意义上的智能机器人，则需要具备感知环境、规划行动、并在不确定条件下执行任务的能力。这一理念的核心在于将机器人的智能功能分解为三个相互关联的子系统：感知系统（Perception System）、规划系统（Planning System）和控制系统（Control System）。感知系统负责从传感器获取原始数据，提取环境特征，构建对外部世界的内部表示；规划系统基于感知信息做出决策，生成达到目标的动作序列；控制系统则将规划结果转化为具体的电机驱动指令，精确执行期望的运动。这三个子系统构成了本书的核心知识框架，后续各章节将分别深入探讨其理论基础与工程实现。

机器人学的学科边界随着技术进步不断拓展，如今已发展成为一门高度交叉的学科领域。它与人工智能共享对知识表示、推理和学习的研究兴趣，与控制理论共享对系统稳定性、鲁棒性和最优性的关注，与计算机视觉共享对图像理解、目标识别和三维重建的方法论，与机械工程共享对机构设计、材料选择和制造工艺的知识。本书将系统阐述支撑机器人智慧（Robot Intelligence）的数学基础，这些数学工具为理解和构建机器人系统提供了严格的形式化框架，使得从直觉概念到工程实现的转化成为可能。

1.2 机器人的定义与分类

1.2.1 本体论视角下的机器人定义

要给"机器人"下一个精确而全面的定义，并非易事。不同的学术机构、行业组织和技术专家从各自的专业视角出发，提出了多种定义方式。国际标准化组织（ISO）在ISO 8373:2012标准中将工业机器人定义为"一种自动控制的、可重复编程的多功能机械手，具有三个或三个以上可自由编程的运动轴，用于工业自动化作业"。这一定义强调了机器人的可编程性和多轴运动特性，主要针对工业应用场景。机器人学界更广泛采用的定义则将机器人视为一种能够感知环境、进行决策并在物理世界中执行动作的智能系统。美国机器人研究所（Robotics Institute）创始人罗德尼·布鲁克斯（Rodney Brooks）曾精辟地指出："如果它移动得足够快，你就可以假装它思考得很快。"（If it moves fast enough, you can pretend that it thinks fast.）这句看似戏谑的评论实际上揭示了机器人智能的本质特征：智能不仅仅是思维活动，更是感知-决策-行动的紧密耦合过程。

从系统架构的角度，我们可以将机器人定义为一个由机械本体、传感系统、驱动系统、控制系统和通信接口组成的复杂智能系统。其中，机械本体（Mechanical Body）提供执行物理动作的硬件基础，包括连杆、关节、末端执行器等结构部件；传感系统（Sensory System）收集内部状态和外部环境信息，包括力/力矩传感器、编码器、摄像头、激光雷达、IMU等；驱动系统（Actuation System）将能量转化为机械运动，通常采用电机、液压或气动驱动方式；控制系统（Control System）运行感知、规划和控制算法，实时处理传感器数据并生成控制指令；通信接口（Communication Interface）使机器人能够与外部系统交换信息和指令。

更抽象地，我们可以从功能角度将机器人理解为一个从感知空间到动作空间的映射函数。设机器人的感知信息为$s \in \mathcal{S}$，期望执行的动作或任务为$a \in \mathcal{A}$，则机器人可被形式化为一个映射$\pi: \mathcal{S} \rightarrow \mathcal{A}$。传统的预编程机器人对应于一个固定的映射函数$\pi_0$，它对所有感知输入都输出相同的动作序列。而智能机器人则具备适应性，其映射函数能够根据感知信息动态调整，即$\pi(s)$。强化学习等机器学习方法正是通过优化这一映射来使机器人获得执行复杂任务的能力。

1.2.2 机器人的多维度分类体系

机器人的分类方法多种多样，根据不同的分类标准可以划分出不同的类别体系。从应用领域来看，工业机器人、服务机器人、医疗机器人、农业机器人、特种机器人等构成了机器人家族的主要分支。从结构形态来看，则有机械臂型、轮式移动型、足式移动型、无人机型、仿生型等类别。本节将从应用场景和技术特征两个维度，系统梳理机器人的主要类型及其核心特点。

工业机器人（Industrial Robots）是机器人技术发展最早、 应用最成熟的领域。国际机器人联合会（IFR）将工业机器人定义为"用于工业自动化应用的自动控制的、可重复编程的多功能机械手"。根据ISO 10218标准，工业机器人需满足三个基本特征：多自由度（至少3个自由度）、可编程性（能够存储和执行程序）、专用性（针对特定作业任务设计）。全球工业机器人市场以日本发那科（FANUC）、安川电机（YASKAWA）、瑞士ABB、德国库卡（KUKA）四大家族为主导，它们占据了全球工业机器人市场约60%的份额。截至2023年，全球工业机器人存量已超过350万台，其中中国是全球最大的工业机器人市场，2022年安装量达到29万台，约占全球总量的50%。工业机器人的典型应用包括焊接（弧焊、点焊）、喷涂、搬运、装配、码垛、分拣等，广泛应用于汽车制造、电子电气、金属加工、食品饮料、医药化工等行业。

服务机器人（Service Robots）是指在非结构化环境中为人类提供服务的机器人。与工业机器人相比，服务机器人面临更加复杂多变的环境，需要更强的感知能力和智能决策水平。IFR将服务机器人分为两大类：专业服务机器人（Professional Service Robots）和个人/家用服务机器人（Personal/Domestic Service Robots）。专业服务机器人包括物流机器人（自动导引车AGV、仓储机器人）、医疗机器人（手术机器人、康复机器人）、公共事业机器人（清洁机器人、安防巡逻机器人）等。2022年全球专业服务机器人市场销售额约为100亿美元，预计到2027年将超过250亿美元。个人/家用服务机器人则以扫地机器人、擦窗机器人、教育机器人、智能音箱等消费电子产品为主，全球年销量已超过3000万台。

移动机器人（Mobile Robots）是具有自主移动能力的机器人系统，根据移动方式可分为轮式、履带式、足式和混合式等类型。轮式移动机器人结构简单、能源效率高、操控性好，是目前应用最广泛的移动平台。典型的轮式移动机器人配置包括差分驱动（两轮独立驱动）、麦克纳姆轮全向移动、四轮 skid-steer等。足式机器人模拟人类或动物的运动方式，能够适应复杂地形，但控制复杂度高，能源效率相对较低。波士顿动力（Boston Dynamics）的Atlas双足机器人和Spot四足机器狗代表了足式机器人技术的最高水平。近年来，随着软硬件技术的进步，足式机器人正从实验室走向实际应用场景。

协作机器人（Collaborative Robots, Cobots）是近年来发展最快的新兴机器人类别。与传统工业机器人追求高速度、高精度不同，协作机器人强调与人类工作者在共享空间中安全协同工作。ISO/TS 15066标准定义了四种人机协作模式：安全监控停止（Safety Monitored Stop）、手动引导（Manual Guidance）、速度和距离监控（Speed and Separation Monitoring）、功率和力限制（Power and Force Limiting）。协作机器人的典型代表包括Universal Robots的UR系列、ABB的YuMi、KUKA的LBR iiwa等。这类机器人通常采用串联弹性执行器（Series Elastic Actuator, SEA）或柔性关节设计，配备敏感的力/力矩传感器，能够在检测到接触时立即停止运动，确保操作人员的安全。

无人机（Unmanned Aerial Vehicles, UAVs）作为空中移动机器人，近年来在民用领域得到爆发式发展。根据飞行方式，无人机可分为固定翼型、旋翼型（多旋翼）、垂直起降固定翼型等。旋翼型无人机（尤其是四旋翼）因其结构简单、悬停能力强、操控灵活而成为研究和应用的热点。无人机的主要应用包括航拍摄影、农业植保、电力巡检、物流配送、应急救援、环境监测等。中国的大疆创新（DJI）占据了全球民用无人机市场约70%的份额，其Mavic、Phantom、Inspire等产品系列已成为消费级和专业级无人机的标杆。

1.2.3 机器人系统的层级架构

理解机器人系统的内部结构，对于后续学习机器人的感知、规划和控制技术至关重要。从功能分解的角度，机器人系统可被组织为一个多层次的架构，从底层到顶层依次包括：执行器层、驱动层、控制层、感知层、导航层、任务规划层和战略决策层。这一架构设计遵循"感知-规划-行动"（Sense-Plan-Act, SPA）的经典范式，但现代机器人系统通常采用更灵活的混合架构，允许不同层级之间的直接连接和信息传递，以满足实时性要求。

```mermaid graph TB subgraph "战略决策层 Strategic Layer" A[任务分配 Task Allocation] end

subgraph "任务规划层 Task Planning Layer" B[任务分解 Task Decomposition] C[行动序列规划 Action Sequence Planning] end

subgraph "导航层 Navigation Layer" D[全局路径规划 Global Path Planning] E[局部路径规划 Local Path Planning] end

subgraph "感知层 Perception Layer" F[传感器数据处理 Sensor Processing] G[环境建模 Environment Modeling] H[状态估计 State Estimation] end

subgraph "控制层 Control Layer" I[运动控制 Motion Control] J[力控制 Force Control] end

subgraph "驱动与执行层 Actuation Layer" K[电机驱动 Motor Drives] L[执行器执行 Actuator Execution] end

A --> B B --> C C --> D D --> E E --> I F --> G G --> D G --> E H --> F I --> K K --> L ```

执行器层（Actuator Layer）负责将电信号转化为机械运动。现代机器人主要采用直流无刷电机（BLDC）、步进电机或伺服电机作为动力源，配合谐波减速器、行星减速器等传动装置实现高精度的位置和速度控制。协作机器人则常采用串联弹性执行器，在电机和负载之间串联弹性元件，通过测量弹性元件的变形来估算输出力矩，实现安全的力控制。

控制层（Control Layer）运行各种闭环控制算法，确保执行器精确跟踪期望的运动轨迹或力指令。经典控制理论中的PID控制器因其结构简单、鲁棒性好而在工业机器人中获得广泛应用。现代机器人系统则更多地采用先进控制策略，如计算力矩控制（Computed Torque Control）、阻抗控制（Impedance Control）、自适应控制（Adaptive Control）等，以获得更好的动态性能和力控制精度。

感知层（Perception Layer）是机器人获取环境信息的关键模块，包括内部感知（关节位置、速度、加速度、力/力矩等）和外部感知（视觉、距离、触觉等）。状态估计（State Estimation）技术，如卡尔曼滤波（Kalman Filter）和粒子滤波（Particle Filter），被用于融合多源传感器数据，构建对机器人内部状态和外部环境的准确估计。同步定位与建图（SLAM）技术使移动机器人能够在未知环境中同时估计自身位置并构建环境地图，是自主导航的核心技术。

导航层（Navigation Layer）负责机器人的运动规划与导航决策。全局路径规划（Global Path Planning）在先验地图或已构建的环境地图上搜索从起点到目标点的最优路径，常用算法包括A*、Dijkstra、快速搜索随机树（RRT）及其变体。局部路径规划（Local Path Planning）则在局部范围内处理动态障碍物和实时避障，常用方法包括动态窗口法（Dynamic Window Approach, DWA）、时间弹性带（Timed Elastic Band, TEB）等。

任务规划层（Task Planning Layer）将高层任务指令分解为可执行的动作序列。传统的任务规划采用规划领域定义语言（Planning Domain Definition Language, PDDL）描述问题和领域模型，使用规划算法（如规划系统规划器STAN、FF等）自动生成动作计划。近年来，深度强化学习（Deep Reinforcement Learning）和大语言模型（Large Language Models, LLMs）也被引入任务规划领域，使机器人能够理解和执行自然语言描述的任务，或从少量示例中学习新的技能。

战略决策层（Strategic Layer）是机器人系统的最高层级，负责在复杂多智能体环境中进行任务分配和资源调度。在工业自动化场景中，这一层级通常与制造执行系统（MES）和企业资源规划系统（ERP）集成；在多机器人协同场景中，则需要考虑任务分配、冲突消解、协同优化等问题。

1.3 机器人学发展历程

1.3.1 萌芽期：机械自动装置与早期理论探索

机器人技术的发展历程可追溯至人类对自动机械的古老梦想。在人类文明的早期阶段，自动机械（Automata）主要作为装饰品、玩具或宗教仪式的工具而存在。古埃及和古希腊的寺庙中配备了能够自动开启的门扉和神像；中国古代的指南车、记里鼓车等自动装置展示了机械传动的精妙原理。然而，这些早期自动机械都依赖于预先设定的机械运动模式，缺乏根据环境变化调整行为的能力。

18世纪至19世纪是自动机械发展的黄金时期。1768年，瑞士钟表师皮埃尔·雅奎-德罗兹（Pierre Jaquet-Droz）制作了一系列精密的自动机械人偶，包括"书写者"、"绘图者"和"音乐家"，它们能够书写文字、绘制图画和演奏钢琴，被认为是当时最复杂的自动机械。1805年，法国人雅克-德·维卡宁（Jacques de Vaucanson）制造了著名的"会吹笛子的消化鸭"（The Flute Player），尽管其消化功能是欺骗性的，但吹笛子的机械结构却异常精妙。然而，这些机械人偶虽然外观逼真，其"智能"完全源于复杂的凸轮和杠杆系统，无法真正响应外部刺激。

自动控制理论的诞生为现代机器人技术奠定了理论基础。1769年，詹姆斯·瓦特（James Watt）为蒸汽机发明了离心调速器（Governor），这是最早的比例控制系统之一。1868年，詹姆斯·克莱克·麦克斯韦（James Clerk Maxwell）发表了著名的调速器稳定性分析论文，运用数学方法研究控制系统稳定性，开创了控制理论分析的先河。1892年，俄罗斯数学家亚历山大·李雅普诺夫（Alexander Lyapunov）提出了李雅普诺夫稳定性理论，为分析非线性系统稳定性提供了强有力的数学工具，这一理论至今仍是机器人控制系统的核心分析框架。

20世纪上半叶，机器人技术的理论探索和工程实践开始并行发展。1921年，捷克作家恰佩克在其科幻剧本中首次提出"机器人"概念。1950年，美国科幻作家艾萨克·阿西莫夫（Isaac Asimov）在短篇小说集《我，机器人》（I, Robot）中提出了著名的"机器人三定律"，为后世机器人伦理研究奠定了思想基础。同一年，美国发明家克劳德·香农（Claude Shannon）构建了一只能穿越迷宫的电子老鼠"忒修斯"（Theseus），展示了早期人工智能研究的雄心。

1.3.2 诞生期：工业机器人的崛起

1954年是机器人技术史上的里程碑年份。乔治·德沃尔（George Devol）与约瑟夫·恩格尔伯格（Joseph Engelberger）合作成立了Unimation公司，这是世界上第一家机器人公司。同年，德沃尔获得了可编程传送带系统（Programmed Transfer Article Assembly）的专利，该专利被公认为现代工业机器人的基础技术。1961年，Unimate正式商业化，安装在通用汽车公司位于新泽西的工厂中，用于压铸生产线的物料搬运作业。Unimate采用液压驱动，臂展约1.5米，可承载约6公斤负载，通过示教编程方式工作—