⚡ electrical engineering

Impedance MPC for Physical Human-Robot Interaction: Predictive Disturbance Rejection with Joint-Limit Safety

本文提出了一种双层阻抗模型预测控制（MPC）框架，该框架结合了解析动力学线性化、高频凸二次规划（QP）以及增广卡尔曼滤波器，旨在实现持续人体作用力下低于 0.05 mm 的稳态误差并确保关节极限安全性，在 7 自由度 Franka FR3 机器人上的表现显著优于经典的阻抗控制。

原作者： Yongyan Cao, Jinshan Tang

发布于 2026-06-09

📖 1 分钟阅读☕ 轻松阅读

CC0 1.0

原作者： Yongyan Cao, Jinshan Tang

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 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

想象一下，一个机械臂正在与人类在共享空间内（如工厂车间或医院病房）协同工作。这个机器人需要足够精确，以遵循特定的路径（例如画一个完美的圆），但同时也需要足够柔软和具有顺应性，以便如果人类不小心撞到它时，机器人能够安全地让位，而不是强行抵抗或损坏物体。

这篇论文介绍了一种为这些机器人设计的全新“大脑”，称为 阻抗模型预测控制 (Impedance MPC)，它解决了一个经典问题：如何在不被推离轨道的情况下保持在轨道上？

以下是其工作原理的详细分解，使用了日常类比。

问题所在：“硬弹簧” vs. “粘胶水”

传统的机器人控制行为就像一个硬弹簧。

场景： 你用持续的 15 磅力推机器人。
结果： 弹簧被拉伸了。机器人偏离了目标路径并停留在那里。为了让它回到原位，你必须把它推回去，或者让这个弹簧变得极其坚硬。
难点： 如果为了防止位移而将弹簧做得过于坚硬，机器人就会变得危险。如果人类撞到它，机器人会剧烈反抗，这违背了“协作型”机器人的初衷。
旧有的解决方法： 工程师们尝试在弹簧中加入“记忆”（积分作用）来记住推力并进行修正。但这就像是在奔跑时用手平衡一把扫帚；既不稳定又缓慢。

解决方案：双层“智能飞行员”

作者构建了一个两层系统，它就像一位能够在飞机被风吹袭前就预判风向的高级飞行员。

第一层：“重力抵消器”（飞行前检查）

机器人很重，且其关节之间存在复杂的相互作用（就像体操运动员在单杠上摆动）。

类比： 想象在有强电流的河流中驾驶一艘沉重的船。很难预测你的去向。
机器人的做法： 第一层会立即计算并抵消机器人自身的重量、关节摩擦力以及运动中的“摆动”。
结果： 它将复杂的、摇晃的机械臂变成了一个简单、可预测的物体——就像一个在冰面上滑行的无摩擦冰壶。这极大地简化了数学计算，使得计算机可以极快地解决下一个问题。

第二层：“水晶球”（模型预测控制器）

现在，这个“冰壶”接管了控制权。这就是模型预测控制器 (MPC)。

类比： 想象你在开车时注视着 10 秒后的路况。如果你看到前方有坑洼，你会现在就开始微调方向，以免稍后撞上它。
机器人的做法： 它不仅仅是在受到推力之后做出反应，而是每秒进行 100 次复杂的数学运算。它会询问：“如果我现在施加一个微小的力，0.1 秒后我会处于什么位置？0.2 秒后呢？”
魔力所在： 它能找到完美的微小动作序列，即使在被人推搡的情况下也能保持在路径上。它像司机遵守车道线一样，严格遵守“安全区域”（关节限制）。

秘诀：“降噪耳机”

即使有了水晶球，持续的人为推力（例如持续的 15N 力）仍可能误导系统。

创新点： 作者添加了一个类似于降噪耳机的 卡尔曼滤波器 (Kalman Filter)。
工作原理： 系统不断“倾听”外界的“噪音”（即人类的推力）。它会估算出人类推力的确切大小，并施加一个相等且相反的力量，从而完美地抵消掉它。
结果： 机器人不仅仅是“屈服”于推力，它还会主动对抗推力，以确保精准地保持在原始路径上。

结果：从“摇晃”到“激光般精准”

团队在 7 轴机器人（Franka FR3）上进行了测试。当人类用持续的 15 磅力推它时，情况如下：

旧机器人（经典阻抗控制）： 机器人偏离路径 44.8 毫米（接近 2 英寸）并停留在那里。
新机器人（阻抗 MPC + 卡尔曼滤波）： 机器人偏离路径不到 0.05 毫米。
- 翻译一下： 这实现了 800 倍的改进。新机器人的精度极高，仿佛人类从未推过它一样。

安全特性

该系统还为机器人的关节配备了一个内置的“守护天使”：

类比： 想象一名跑步者意识到自己正接近一堵墙。即使教练（主任务）在喊“向前跑！”，他也会本能地减速并转向避开。
技术实现： 机器人使用“势垒函数 (barrier potential)”来感知关节是否即将达到物理极限。它会自动将运动重新引导至安全方向，而不会破坏主任务。

总结

这篇论文介绍了一种机器人控制系统，它能够：

简化物理模型，使计算变得容易。
预测未来，在干扰造成巨大误差之前进行转向。
倾听环境，完美抵消持续的推力。
保障机器人安全，绝不让其关节触及极限。

其结果是，这种机器人可以与人类并肩工作，即使在受到推搡时也能完美执行任务，同时又不会变得危险或僵硬。

技术摘要：用于物理人机交互的阻抗模型预测控制 (Impedance MPC)

问题陈述
物理人机交互（pHRI）要求机器人在保持高轨迹精度度的同时，在发生非计划接触时确保柔顺安全性。经典的阻抗控制虽然在安全性方面表现出色，但存在一个根本性的结构限制：在持续的人力（ $F_h$ ）作用下，它会表现出非零的稳态位置误差，该误差定义为 $e_\infty = K_d^{-1}F_h$ 。例如，针对 300 N/m 的刚度，承受 15 N 的推力会导致 50 mm 的偏差。虽然通过增加刚度（ $K_d$ ）可以减小该误差，但这会违反安全约束，导致接触力增加。反之，引入积分环节以消除稳态误差则受到稳定性要求的严重限制，从而限制了收敛速度。现有的用于 pHRI 的模型预测控制（MPC）方法通常保留了完整的非线性对象动力学，这限制了控制频率，或者无法为持久扰动下的零稳态误差提供正式保证。

方法论
作者提出了一种两层阻抗 MPC 架构，旨在解决轨迹精度与柔顺安全性之间的矛盾。

第一层：解析非线性反解
第一层采用基于操作空间分解的前馈控制策略。它通过解析方式抵消了重力、科里奥利力以及任务空间惯性项。这使得残余对象动力学转化为一个与构型无关的线性双积分器。
- 误差动力学被简化为 $\ddot{e} = -\Lambda^{-1}(q) F_{mpc} + d(t)$ ，其中 $d(t)$ 代表聚合扰动（人力、摩擦力、模型误差）。
- 至关重要的是，这种线性化产生了一个常数状态转移矩阵（ $A_d$ ），该矩阵与机器人的构型无关。这使得“自由响应”矩阵可以预先计算一次，从而显著降低了在线计算负载。
第二层：带有扰动增广的凸二次规划 (Convex QP)
第二层在 100 Hz 频率下求解递推时域优化问题（配合 1 kHz 的前馈更新内环）。
- 扰动估计： 一个增广卡尔曼滤波器用于估计建模为随机游走的持续扰动状态（ $\hat{d}$ ）。该状态被集成到 MPC 预测模型中，从而实现无偏差跟踪（零稳态误差），适用于恒定或渐近恒定的扰动。
- 优化： 控制器求解一个具有 30 个变量的凸二次规划（QP），并受限于控制力（ $F_{mpc}$ ）的框约束。代价函数旨在最小化时域内的跟踪误差，同时遵守关节限制。
- 安全机制： 通过双重屏障法实施关节极限安全保护：包括零空间逆屏障势能和任务空间工作空间投影。这些机制可以在不降低安全区域内任务跟踪性能的前提下，防止违反关节极限。

核心贡献

两层 Constant- $A_d$ 架构： 通过解析抵消非线性项，作者将对象简化为一个具有常数状态矩阵的线性时变系统。这使得求解一个 30 变量的 QP 可以在 1 ms 内完成，从而实现了实时可行性。
与经典阻抗控制的解析联系： 本文证明（定理 1），在无约束且无扰动的极限情况下，所提出的 MPC 在数学上等价于经典的切向空间阻抗控制器。实现的刚度和阻尼由基于代价权重的 LQR 增益决定。这使得该方法被定位为经典阻抗控制的扩展，而非替代方案——它增加了约束处理和无偏差抑制能力。
形式化的零稳态误差保证： 通过卡尔曼扰动增广，该系统实现了基于内模原理（Internal Model Principle）的保证，即对于持续扰动实现零稳态误差，并将无偏差 MPC 理论扩展到了力矩控制机械臂领域。
双屏障关节极限安全： 通过集成零空间势能和工作空间投影，实验证明该方法在测试的工作空间内（包括边界压力测试）均能有效防止违反关节极限。

实验结果
实验在使用了 MuJoCo 模拟环境的 7 自由度 Franka FR3 机器人上进行。将所提方法（带卡尔曼增广的阻抗 MPC）与经典阻抗控制、导纳控制以及 PI 阻抗控制进行了对比。

稳态误差： 在持续 15 N 的力作用下，所提方法实现了 <0.05 mm 的稳态误差，而经典阻抗控制为 44.8 mm（降低了超过 800 倍）。
瞬态性能： 在圆形轨迹跟踪中，仅使用 MPC（不带卡尔曼）的方法比经典阻抗控制在接触窗口内的 RMS 误差降低了 19 倍。加入卡尔曼滤波器后，完全消除了稳态误差。
鲁棒性： 系统对测量噪声表现出良好的鲁棒性（即使存在 5 mm 噪声，稳态误差仍保持在 <1 mm）；在惯性模型失配的情况下，当卡尔曼滤波器处于激活状态时，跟踪 RMSE 保持不变（最高支持 30% 的惯性误差）。
安全性： 在经典阻抗控制违反关节极限的边界测试中，MPC 保持了安全裕度（最小关节裕度为 0.084，而阻抗控制为 0.048）。

意义与主张
本文声称，所提出的架构成功统一了 pHRI 中相互竞争的需求：高精度轨迹跟踪与柔顺安全性。其主要意义在于结构性洞察：解析前馈抵消实现了常数线性结构，进而实现了：

预计算： 自由响应矩阵仅需计算一次，将 QP 的复杂度与机器人构型解耦。
形式化保证： 线性结构允许对阻抗等效性和无偏差跟踪进行严格证明。
实时可行性： 该方法在标准硬件上实现了高控制速率（100 Hz QP，1 kHz 前馈），克服了以往非线性 MPC 方法的计算瓶颈。

作者总结道，该方法为 pHRI 提供了一种鲁棒且具有理论依据的解决方案，消除了经典阻抗控制固有的稳态误差，同时维持了安全约束。未来的工作计划进行物理硬件验证以及能量池（energy-tank）钝性增强研究。