⚡ electrical engineering

A Minimum-Energy Control Approach for Redundant Mobile Manipulators in Physical Human-Robot Interaction Applications

本文提出了一种针对物理人机交互中冗余移动机械臂的最小动能全身控制方法，并通过插孔实验验证了其在降低系统整体动能及提升性能方面优于基准方法。

原作者： Davide Tebaldi, Niccolò Paradisi, Fabio Pini, Luigi Biagiotti

发布于 2026-03-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Davide Tebaldi, Niccolò Paradisi, Fabio Pini, Luigi Biagiotti

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

这篇论文讲述了一个关于**“如何让人类和移动机器人合作得更轻松、更安全”**的故事。

想象一下，你正在和一个**“背着机械臂的电动小车”**（移动机械臂）一起工作。这个机器人很聪明，它既能像手臂一样灵活地抓取东西，又能像小车一样到处跑。

1. 核心问题：谁该动？

当你要和这个机器人一起完成一个任务（比如把一根钉子插进墙上的洞里）时，机器人面临一个难题：

方案 A（只靠手臂）： 机器人只动它的机械臂，小车原地不动。但这可能够不着，或者手臂伸得太直，动作很别扭。
方案 B（只靠小车）： 机器人只动小车，手臂不动。但这会让小车跑很多冤枉路，而且小车重达 115 公斤，动起来很费电，也不安全。
方案 C（传统方法）： 让操作员（你）来决定什么时候该动小车，什么时候该动手臂。但这就像让你一边开车一边换挡，如果你反应慢了或者判断错了，机器人就会顿一顿，或者突然猛冲一下，既累人又不安全。

2. 论文提出的新招：让机器人自己算“最省力”的路

这篇论文的作者提出了一种**“最小能量控制法”**。

通俗比喻：
想象你在推一辆装满货物的手推车（机器人），车上还装了一个长手臂。

旧方法：你推手推车时，要么拼命推车（费力气），要么拼命挥动手臂（可能够不着）。
新方法：给机器人装了一个“超级大脑”。这个大脑时刻在计算：“怎么动，才能让整个系统（车 + 手臂）消耗的力气（动能）最小？”

因为小车（底盘）比手臂重得多（就像推一辆满载的卡车比挥动一根棍子费力得多），这个“超级大脑”的策略就是：能不动小车就不动小车，非要动的时候，也只动一点点，而且动得非常平滑。

3. 实验过程：27 个人的“插钉子”大比拼

为了验证这个方法，作者找来了 27 个人，让他们和机器人一起玩“插钉子”的游戏（把钉子插进墙上的洞里）。他们测试了三种模式：

纯移动模式：机器人主要靠小车跑。
切换模式：人自己决定什么时候让小车跑，什么时候让手臂动（就像手动挡汽车）。
最小能量模式（新方法）：机器人自己算，自动平衡小车和手臂的动作。

4. 结果：新方法完胜

实验结果非常有趣，就像比赛一样：

人的累度（用力大小）：
- 纯移动模式：人最累。因为小车太重，人推起来很费劲。
- 切换模式：人稍微轻松点，但如果你切换得不好，还是会累。
- 最小能量模式：人最轻松！因为机器人自动避开了那些“费力”的动作，人只需要轻轻引导，机器人就自己把活儿干漂亮了。
机器人的“心跳”（动能）：
- 旧方法：机器人的能量像坐过山车，忽高忽低。小车突然猛冲一下，能量瞬间飙升，这很危险，万一撞到人后果严重。
- 新方法：机器人的能量像平静的湖面，非常平滑。它知道什么时候该动，而且动得很温柔，大大降低了撞伤人的风险。
完成任务的速度：
- 切换模式：最慢。因为人需要思考“现在该切到小车了吗？”，犹豫和切换动作浪费了时间。
- 最小能量模式：最快！机器人不需要人操心，它自动协调，一气呵成，比旧方法快了约 24%。

5. 总结：为什么要这么做？

这篇论文的核心思想就是：在人和机器人合作时，不要让人去适应机器人的笨重，而是让机器人学会“精打细算”。

通过一种数学算法，让机器人自动选择**“最省油、最平稳”**的动作方案。

对人来说：更省力，操作更顺滑，不用费脑子去指挥。
对安全来说：因为减少了重达 115 公斤的小车的剧烈运动，机器人变得更“温柔”，大大降低了意外碰撞时的伤害风险。

简单来说，这就好比给机器人装上了**“自动驾驶的节能模式”**，让它既能干重活，又能像老朋友一样温柔地和你配合。

这是一份关于论文《面向物理人机交互应用的冗余移动机械臂最小能量控制方法》（A Minimum-Energy Control Approach for Redundant Mobile Manipulators in Physical Human-Robot Interaction Applications）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：随着协作机器人技术的发展，移动机械臂（Mobile Manipulators）在康复、手术辅助及工业协作（如协同搬运）等物理人机交互（PHRI）场景中应用日益广泛。移动机械臂结合了移动底座和机械臂，提供了比固定基座机械臂更多的自由度。
核心挑战：
- 冗余性控制：移动机械臂是一个冗余系统，需要解决逆微分运动学（IDK）问题，将操作空间（末端执行器）的速度映射到关节空间（机械臂关节 + 移动底座）。
- 能量与安全：在物理人机交互中，移动底座通常是最重的部件（文中实验对象重达 115kg）。如果控制策略不当，导致移动底座频繁或大幅运动，会显著增加系统的总动能。这不仅降低了操作效率，还可能因巨大的动量变化而威胁人类操作员的安全和舒适度。
- 现有方法的局限：传统的 IDK 求解方法（如伪逆法、基于优先级的控制）通常未显式优化动能，或者依赖用户手动切换模式（如“移动模式”与“操作模式”切换），这增加了认知负荷并可能导致执行时间延长。

2. 方法论 (Methodology)

本文提出了一种基于最小化全身动能的逆微分运动学（IDK）控制策略。

系统架构：
- 采用虚拟导纳模型（Virtual Admittance Model）处理人机交互。人类施加的力 $f_h$ 通过导纳模型（ $M\dot{v}_d + Bv_d = f_h$ ）生成期望的末端执行器速度 $v_d$ 。
- 控制器的核心任务是求解 IDK 问题： $v_d = J(q)\dot{q}_d$ ，其中 $J(q)$ 是包含机械臂和移动底座的雅可比矩阵。
优化问题构建：
- 目标函数：最小化整个机器人系统的总动能 $E_K$ 。
  $\min_{\dot{q}_{ad}, \dot{q}_{bd}} E_K = \frac{1}{2}\dot{q}_{ad}^T M_a(q_a) \dot{q}_{ad} + \frac{1}{2}\dot{q}_{bd}^T M_b \dot{q}_{bd}$
  其中， $M_a$ 和 $M_b$ 分别是机械臂和移动底座的惯性矩阵。由于底座质量大，最小化动能自然倾向于减少底座的运动。
- 约束条件：满足末端执行器的期望速度约束 $J_a\dot{q}_{ad} + J_b\dot{q}_{bd} = v_d$ 。
解析解：
- 利用拉格朗日乘数法求解上述带约束的二次优化问题，得到了**动力学一致伪逆（Dynamically Consistent Jacobian Pseudoinverse）**的解析解：
  $\dot{q}^*_d = J^\dagger_M(q) v_d$
  其中 $J^\dagger_M(q) = M(q)^{-1}J(q)^T (J(q)M(q)^{-1}J(q)^T)^{-1}$ 。
- 该解法自动在机械臂和移动底座之间分配速度，优先使用惯性较小的机械臂，仅在必要时移动沉重的底座。
- 此外，利用零空间投影（Null-space projection）加入次要任务（如保持偏好构型），防止末端执行器偏离目标。

3. 关键贡献 (Key Contributions)

提出最小能量控制策略：首次将全身动能最小化作为物理人机交互中移动机械臂 IDK 求解的核心目标，通过动力学一致的伪逆解析解实现，无需复杂的在线二次规划（QP）计算，适合实时控制。
自动化的运动协调：与依赖用户手动切换“移动/操作”模式的方法不同，该方法能自动、平滑地协调移动底座和机械臂的运动，消除了模式切换带来的延迟和认知负荷。
增强安全性：通过显式最小化系统动能，特别是限制了最重部件（移动底座）的运动，显著降低了人机交互过程中的动量冲击，提升了安全性。
实验验证：在真实的“插孔（peg-in-hole）”任务中，通过 27 名参与者的对比实验，验证了该方法在能耗、人力需求、执行时间和操作平滑度上的优越性。

4. 实验结果 (Results)

实验对比了三种控制策略：

(a) 纯移动模式 (Locomotion)：基准方法，主要依赖底座移动。
(b) 切换模式 (Switch)：用户手动在移动和操作模式间切换。
(c) 最小能量模式 (Proposed)：本文提出的方法。

主要数据发现（基于 27 次实验的中位数）：

平均动能 ( $\bar{E}$ )：
- 最小能量模式比纯移动模式降低了约 66%。
- 与切换模式相比，两者能量水平相当（切换模式降低了 69%），但最小能量模式无需人工干预，能量分布更平滑。
平均人力 ( $\bar{F}_h$ )：
- 最小能量模式比纯移动模式减少了 22% 的人力需求。
- 切换模式减少了 41%，但这是以牺牲执行时间和增加认知负荷为代价的。
执行时间 ( $T_f$ )：
- 最小能量模式最快，比切换模式快 24%，比纯移动模式快 11%。
- 切换模式因频繁的手动切换操作导致累积延迟。
运动平滑度：
- 最小能量模式的速度曲线最平滑，无零速度的切换间隔，且避免了纯移动模式中剧烈的速度波动，显著提升了用户舒适度。
精度：
- 最小能量模式与纯移动模式在最终位置精度上相当（均优于切换模式），因为两者都利用了雅可比零空间进行构型优化。

5. 意义与结论 (Significance & Conclusion)

安全性提升：该方法通过算法自动抑制重部件（底座）的剧烈运动，从物理层面降低了人机交互中的潜在风险，特别适用于对安全性要求极高的协作场景。
效率与体验优化：不仅减少了系统的总能耗，还显著缩短了任务执行时间，并提供了更流畅、自然的交互体验，减轻了操作员的认知负担。
实时性：提出的解析解方法计算效率高，能够满足物理人机交互对实时控制的高要求，克服了传统 QP 优化方法计算耗时的问题。
应用前景：该策略为未来移动机器人在康复辅助、物流搬运及复杂装配任务中的广泛应用提供了可靠的控制理论基础。

总结：本文通过引入基于惯性矩阵加权的动力学一致伪逆，成功解决了一个关键的冗余控制问题，实现了在物理人机交互中“省力、省时、安全、平滑”的多目标优化。