⚡ electrical engineering

Physical Human-Robot Interaction: A Critical Review of Safety Constraints

本文旨在通过深入剖析 ISO/TS 15066 等物理人机交互安全约束的推导过程、假设前提及实际影响，重点阐述能量在安全评估中的核心作用，并量化分析典型近似与决策对工业协作机器人系统性能及安全性的具体影响。

原作者： Riccardo Zanella, Federico Califano, Stefano Stramigioli

发布于 2026-04-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Riccardo Zanella, Federico Califano, Stefano Stramigioli

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一份**“人机共舞的安全指南”**，它深入探讨了当机器人和人类在同一个空间里“亲密接触”时，如何确保人类不会受伤，同时又不让机器人变得笨手笨脚、效率低下。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成一场**“在拥挤舞池里的双人舞”**。

1. 背景：从“笼子里的野兽”到“舞伴”

过去（传统机器人）： 以前的工业机器人像是一头强壮但危险的野兽，必须关在铁笼子里工作。人类只能在笼子外面看着，绝对不能进去，否则会被撞飞。
现在（协作机器人/Cobots）： 现在的协作机器人（Cobots）像是训练有素的舞伴。它们身体轻盈、动作圆润，甚至可以直接和人类握手、一起搬东西。
问题： 既然要一起跳舞，难免会有踩脚、碰撞的时候。怎么保证踩脚的时候，人类不会疼得跳起来，而机器人又能跳得够快、够灵活？

2. 核心规则：ISO/TS 15066（舞池的“安全红线”）

论文主要分析了国际标准 ISO/TS 15066。你可以把它想象成舞池里的一条**“安全红线”**。

这条线规定了：当机器人碰到你时，它的力量（力）、速度和能量不能超过某个限度，否则你的身体（比如皮肤、肌肉、骨头）就会受伤或感到剧痛。
论文的发现： 作者们发现，虽然标准写得很清楚，但很多人对它的理解是“断章取义”的。就像只记住了“不能踩脚”，却忘了“踩脚时的力度和面积”也很重要。

3. 关键概念拆解（用生活比喻）

A. 能量守恒：像“弹簧”一样的碰撞

比喻： 想象机器人是一个飞过来的球，你的身体是一根弹簧。
原理： 当球撞向弹簧时，球的动能会转化为弹簧的压缩势能。如果球太快（能量太大），弹簧就会被压坏（你受伤了）。
论文观点： 安全的关键不在于球撞完弹簧后弹不弹开（那是“回弹”），而在于撞击瞬间弹簧被压缩到最狠的那一刻。只要那一刻的能量没超过弹簧的承受极限，你就安全。
误区： 很多人以为只要机器人“软”一点（像泡沫）就安全了，但如果它太重或者太快，泡沫也会把弹簧压坏。

B. 接触面积：针尖 vs. 手掌

比喻： 想象有人用针尖扎你，和用手掌推你。
- 针尖（接触面积小）： 即使力量不大，压强也极大，你会很疼，甚至受伤。
- 手掌（接触面积大）： 同样的力量，压强很小，你可能只觉得被推了一下。
论文观点： 标准里给出的“最大允许力量”通常是基于一个很小的接触面积（比如 1 平方厘米，像针尖）算的。
- 如果机器人手里拿着圆滑的夹爪（接触面积大），它其实可以跑得更快、力气更大，因为压强没变。
- 但如果机器人拿着尖锐的工具，就必须慢得像蜗牛。
- 现状： 很多机器人系统死板地套用“针尖”的标准，导致机器人即使拿着圆滑工具也不敢跑快，白白浪费了效率。

C. “被夹住”的悲剧（Clamped Scenario）

比喻：
- 情况 A（自由）： 机器人撞到了你的手臂，你的手臂可以顺势往后缩一下（像弹簧一样缓冲），这样冲击力就被分散了。
- 情况 B（被夹住）： 你的手臂被夹在机器人和墙壁之间，完全动不了。这时候，机器人的所有冲击力都直接作用在你的肉上，没有缓冲。
论文观点： 标准里对“被夹住”的情况考虑得不够细致。如果机器人不知道你是否被夹住，它就必须假设最坏的情况（你被夹住了），从而把速度限制得极低。这就像在舞池里，因为怕有人被夹住，所以所有人都只能像乌龟一样慢吞吞地走。

4. 论文提出的“聪明”解决方案

作者们认为，为了既安全又高效，我们需要更聪明的策略，而不是“一刀切”：

动态感知（像有眼睛的舞者）：
- 机器人应该能“看”到它要碰到的是哪里（是肉多的肚子，还是脆弱的脸？）。
- 机器人应该能“看”到你是否被夹住了。
- 效果： 如果碰到的是大腿且没被夹住，机器人可以跑得快一点；如果碰到的是脸或者可能被夹住，它就立刻慢下来。
能量管理（像控制油箱）：
- 不要只盯着“速度”，要盯着“能量”。
- 论文建议给机器人装一个“虚拟能量罐”。在跳舞前，先算好这次动作最多能消耗多少能量（不能超过你的疼痛阈值）。如果动作太猛，罐子就报警，强制机器人减速。
重新计算“体重”：
- 机器人的“有效重量”不是固定的。当你举起手臂时，它感觉重；当你缩回手臂时，它感觉轻。
- 论文指出，如果机器人能实时计算自己当前的“有效重量”，就能在安全范围内更灵活地运动，而不是总是按最重的情况来限制自己。

5. 总结：我们要什么？

这篇论文的核心思想是：安全不是让机器人“变傻”或“变慢”，而是让它“变聪明”。

现在的做法： 为了安全，假设所有情况都是最危险的（脸被夹住、针尖撞击），所以机器人 everywhere 都慢得像蜗牛。
未来的做法： 利用传感器和智能算法，实时判断“我现在碰到的是哪里？”、“我现在的能量够不够安全？”。
- 如果是安全的场景，就大胆地快跑。
- 如果是危险的场景，就立刻刹车。

一句话总结：
这就好比教一个机器人跳舞，我们不应该因为它可能会踩到脚，就把它绑在原地不动；而是应该教它看清舞伴的位置、感受脚下的力度，在确保不踩痛舞伴的前提下，跳出最优美、最高效的舞步。这篇论文就是为这种“聪明的舞步”提供数学依据和安全蓝图。

物理人机交互（pHRI）安全约束的关键综述：技术总结

本文《物理人机交互：安全约束的关键综述》由 Riccardo Zanella 等人撰写，旨在对物理人机交互（pHRI）中公认的安全约束（特别是基于 ISO/TS 15066 标准）提供清晰、严谨的理解。文章深入探讨了这些约束的推导过程、底层假设及其在工业场景中对系统安全性和性能的实际影响，并特别强调了能量在安全评估中的核心作用。

以下是该论文的详细技术总结：

1. 问题背景与挑战

背景：协作机器人（Cobots）允许人类与机器人在开放环境中直接物理交互，显著提高了生产效率。然而，确保这种交互中的人类安全是一个复杂问题，因为安全不仅取决于机器人行为，还受环境、任务和人类动作的影响。
核心问题：现有的安全标准（如 ISO 10218-2 和 ISO/TS 15066）虽然提供了量化限制（力、速度、能量），但存在内在的模糊性。
- 标准中的假设（如完全非弹性碰撞、固定的人体有效质量）可能导致风险评估不一致，或在实际应用中过于保守，从而严重降低机器人的性能。
- 缺乏对约束推导过程的深入理解，导致设计者难以在“安全”与“效率”之间找到最佳平衡点。
- 对于“夹持”（clamped，即人体无法移动）与“非夹持”（unconstrained，人体可后退）场景的区分不足，可能导致安全隐患或过度限制。

2. 方法论与推导过程

文章通过物理建模和数学推导，重新构建了从人体疼痛阈值到机器人运动约束的映射过程：

物理模型：采用简化的“质量 - 弹簧 - 质量”模型（Mass-Spring-Mass）。
- 机器人被建模为有效质量 $m_R$ （取决于构型和接触方向）。
- 人体被建模为有效质量 $m_H$ （取决于解剖部位和姿态）。
- 接触组织被建模为线性弹性弹簧，刚度为 $k$ 。
能量守恒推导：
- 基于动量守恒和能量守恒，推导了碰撞瞬间的最大弹性势能 $U_s$ 与机器人初始动能 $K_0$ 之间的关系。
- 关键公式建立了最大允许速度 $v_{0,max}$ 与人体组织可承受的最大力 $F_{max}$ 之间的关系：
  $v_{0,max} = \sqrt{\frac{m_R + m_H}{m_R m_H} \frac{F_{max}^2}{k}}$
- 该推导表明，安全约束本质上是限制碰撞前的动能，使其不超过组织在最大变形时能安全存储的弹性势能。
关键假设分析：
- 碰撞性质：推导指出，安全评估的关键时刻是最大变形时刻。无论碰撞是弹性还是非弹性，只要最大变形时的力未超标，即视为安全。这反驳了必须假设“完全非弹性碰撞”的传统观点。
- 人体状态：区分了“可后退”（unconstrained）和“夹持”（clamped， $m_H \to \infty$ ）两种情况。夹持情况下的安全速度限制最为严格，因为能量无法通过人体运动耗散，全部转化为组织变形能。
- 接触面积：指出允许力 $F_{max}$ 与接触面积 $A$ 线性相关（ $F_{max} = A \cdot p_{max}$ ）。接触面积越小（如尖锐工具），允许的速度越低。

3. 主要贡献

系统化的约束推导：在 ISO/TS 15066 框架下，清晰、完整地推导了功率和力限制（PFL）模式下的安全约束，填补了文献中关于推导过程碎片化的空白。
关键假设的批判性分析：
- 揭示了标准中关于“完全非弹性碰撞”假设的保守性。
- 指出了标准中人体有效质量（ $m_H$ ）取值（如大腿取全身重量）的保守性，并分析了其对速度限制的放大效应。
- 强调了接触面积对安全速度的线性影响，指出当前标准未充分考虑动态接触面积的变化。
能量视角的重新审视：
- 论证了机械能是连接安全阈值与机器人控制的核心指标。
- 对比了基于“疼痛阈值”（力/压力）和基于“损伤阈值”（能量）的方法，指出能量方法在量化累积负载方面具有优势，但需注意其可能低估轻微疼痛风险。
控制策略综述：
- 回顾了基于能量的安全控制策略，包括虚拟能量罐（Virtual Energy Tanks）、无源性控制（Passivity-based control）和控制障碍函数（CBFs）。
- 指出了现有方法在同时限制能量和功率（Power）方面的局限性。

4. 研究结果与数值分析

文章通过 Franka Emika Panda 机械臂的数值模拟，量化了不同设计选择对安全速度的影响：

接触条件的影响：
- 瞬态接触（非夹持）：允许的速度最高。
- 准静态接触（夹持）：速度限制显著降低。
- 结果：在夹持假设下，某些部位（如颈部、手部）的允许速度可能降至瞬态接触假设下的 15%-30%。
质量模型的影响：
- 使用 ISO 推荐的常数质量近似（ $m_R^{ISO}$ ）比使用构型依赖的动态有效质量（ $m_u(q)$ ）更为保守。
- 结果：使用常数质量近似会导致速度限制进一步降低，平均损失可达 30%-50%。
感知与上下文的影响：
- 如果系统无法识别具体接触的人体部位（如无法区分是撞到脸还是撞到躯干），必须采用最敏感部位（面部）的限制。
- 结果：在最坏情况假设下（常数质量 + 夹持 + 面部接触），机器人的允许速度可能仅为理想动态适应系统的 10%-15%。
- 结论：缺乏上下文感知（Context-awareness）会导致巨大的性能损失。

5. 意义与未来展望

理论与实践的桥梁：本文不仅解释了标准背后的物理原理，还指出了标准在实际应用中可能导致的过度保守问题，为设计更高效的协作系统提供了理论依据。
设计指导：
- 感知系统：未来的协作系统应集成先进的感知能力，实时识别接触部位和是否发生夹持，从而动态调整速度限制。
- 控制策略：应利用构型依赖的有效质量计算，而非简单的常数近似，以在安全前提下最大化性能。
- 能量管理：能量是核心安全指标，未来的控制策略应结合能量限制与功率限制，并探索与 AI 驱动决策的融合。
未来方向：
- 超越简化的集中质量模型，采用更详细的人体肌肉骨骼模型。
- 研究持续接触（如协作装配）场景下的安全评估，目前的碰撞指标不足以覆盖此类风险。
- 开发能够主动管理接触面积的控制策略。

总结：
这篇论文通过严谨的物理推导和数值分析，揭示了当前 pHRI 安全标准中隐含的保守假设及其对机器人性能的显著负面影响。它强调，通过引入上下文感知、动态有效质量计算以及基于能量的控制策略，可以在严格保证人类安全的前提下，大幅提升协作机器人的工作效率。这对于推动协作机器人在中小型企业（SME）及复杂工业场景中的广泛应用具有重要的指导意义。