纪要涉及的行业 机器人行业 纪要提到的核心观点和论据 机器人运动控制技术核心目标 - 核心目标为轨迹跟踪和任务执行，如制造业抛光打磨任务需精准跟踪轨迹和具备力控柔顺性，四足机器人跳跃展示身体和腿部运动路径 [2] 机器人主要研究方向 - 包括运动学与动力学、感知、轨迹规划、智能控制，还涉及导航与规划、人机交互、多智能体等方面 [3] 机器人运动控制方法分类 - 分为基于模型的控制和基于学习的控制。基于模型的控制可解释性强、鲁棒性好，但依赖精确建模，如 PID 控制、MPC 等；基于学习的控制适应性强，但效率低且训练成本高，如强化学习和模仿学习 [4][5] 机器人正逆运动学 - 正运动学根据关节变量计算末端执行器位置，逆运动学根据期望位置计算所需关节变量，是动力学分析基础，用于机械臂精准定位 [6] 机器人运动学和动力学概念 - 运动学研究关节变量与末端位置关系，逆运动学在路径规划和控制中关键且可能无唯一解；动力学研究关节变量与受力关系，正向动力学用于仿真，逆向动力学用于运动控制 [7][8] PID 控制方法 - 通过持续计算误差信号调整控制输入以最小化误差，包括比例、积分、微分三个模块，参数调整不当系统会出现不同阻尼情况 [9] 强化学习在机器人中的应用 - 通过 agent 与环境交互，以优化策略使累积奖励最大化，如自动驾驶中安全驾驶获正向奖励，撞车获负向奖励 [10][11] 模型预测控制（MPC） - 核心思想是在满足系统约束条件下找到最优控制策略使系统性能最佳，可用于自动驾驶避障，在四足机器人运动控制中能处理复杂问题，提高稳定性和适应能力 [13][14] 全身控制（WBC） - 核心概念是将多任务分层并根据优先级协调，强调短期控制和多任务协同，与 MPC 结合可实现四足机器人高效运动 [22][23] 强化学习解决基于模型方法的不足 - 基于模型的方法建模精确度要求高、参数不可预知或测量、鲁棒性差，强化学习无需精确建模，通过大量数据训练获得理想策略，提高训练效率和系统鲁棒性 [25] 解决仿真与现实差距的方法 - 引入驱动器网络表征驱动器模型，通过神经网络拟合难以测量的物理参数，使仿真结果更接近真实情况，但室外场景部署仍面临挑战 [26] 提高机器人运动能力的方法 - 特权学习在仿真训练与实际部署间桥接，课程学习从简单到复杂逐步提升任务难度，可提高机器人学习效率 [27][28] 户外环境感知模块和多任务策略 - 感知模块依赖点云数据，分粗分辨率处理和细特征恢复两部分；多任务策略通过多任务学习让机器人学会不同运动，结合导航模块规划路径 [29] 强化学习和模仿学习应用场景 - 强化学习适用于机器人自主探索和优化特定任务，模仿学习适合模拟人类动作，可结合强化学习微调 [30][31] 机器人控制算法发展趋势 - 基于模型的控制和基于学习的控制有机结合，手部操作能力、通用人工智能策略等方面将成重要发展方向 [32] 可量产机器人算法精确度要求 - 取决于应用场景，实际应用需尽可能提高算法精确度以确保安全和可靠性 [33] 双足与四足机器人控制难度比较 - 双足机器人控制难度明显高于四足机器人，系统维度增加使控制难度呈级数倍增加，人形机器人对控制精度要求更高 [34] 通用人工智能模型发展前景 - 旨在通过一个策略解决多个问题，提高适应性，减少对每个任务的细致调整需求，是未来重要发展方向，但需解决相关技术挑战 [35] 特斯拉及 Figure 与人形机器人技术路线区别 - 运动控制角度区别不大，应用场景上国内关注腿足运动能力，特斯拉和 Figure 更关注操作层面 [37] 强化学习是否成主流 - 强化学习及数据驱动方式已成为主流 [39] 基于模型与无模型方法在批量化生产中的差异 - 在批量化生产中两者无显著差异，model - free 方法可能更能适应问题 [42] 厂商运动控制差距因素及未来核心竞争力 - 运动控制差距涉及算法软件端和硬件端，未来人形机器人核心竞争力在于智能方向和通用智能算法 [43] 小模型和大模型优劣及未来趋势 - 小模型和大模型各有优劣，大模型至少是主流技术路线，但不能简单认为越大越好 [44] 北交所机器人零部件企业发展前景 - 具备高成长性和专精特新属性，将持续受益于机器人产业化发展，为投资者提供更多潜力机会 [45] 其他重要但是可能被忽略的内容 - 带有 MPC 算法的 MIT 仿人机器人运动控制步骤：用户输入运动指令、生成目标轨迹、在 IPC 模块解决优化问题求出合适力矩、转换为关节力矩并执行、进行闭环控制确保实际动作与预期一致 [17][18][19] - 四足机器人中 MPC 与 WBC 结合实现高效运动的流程：遥控器发送命令，MPC 进行步态规划和落脚点选择，运动学阶段结合 MPC 输出当前力，WBC 进行不同优先级结果叠加，关节级别采用 PD 或 PID 底层控制并进行姿态估计 [23][24] - 数据采集方面，从视频提取机器人轨迹或物体运动轨迹可靠性取决于计算机视觉领域发展，质量差的视频或遮挡情况下轨迹提取可靠性仍需依赖 CV 技术 [41] - 拓山重工采用无模型方法训练机器人，训练统一进行，若网络鲁棒性强整体部署可行，特别精细操作需针对系统微调 [41]