具身智能新手名词表English05控制与规划
让关节按想要的方式动：从 PID 到力控、MPC、运动规划和全身控制。 · 203 条
- 5.1控制基础：分层与反馈16
- 5.2关节控制与模型补偿23
- 5.3末端控制与力控16
- 5.4轨迹生成与跟踪22
- 5.5最优控制与 MPC21
- 5.6足式与全身控制30
- 5.7路径规划与导航19
- 5.8机械臂运动规划24
- 5.9任务层：编排与规划10
- 5.10安全与稳定保障22
5.1控制基础：分层与反馈
先看控制处在系统哪一层、每秒算几次，再学 PID 等按误差出力的反馈控制。
- 运动控制Motion Control / Locomotion Control让机器人按期望稳定地动起来的控制技术，具身圈常特指腿足行走与平衡。
- 分层控制Hierarchical Control把控制拆成多层：上层低频定目标，下层高频跟踪目标并直接驱动电机。
- 大脑-小脑架构（小脑）Brain-Cerebellum Architecture (Cerebellum = motion-control layer)大小脑架构里的「小脑」：把上层指令变成高频、稳定关节动作的那一层。
- 控制频率Control Frequency控制器每秒发出多少次指令，单位 Hz；它的倒数就是控制周期。
- 策略推理频率Policy Inference Frequency学习型策略每秒被调用、算出新动作的次数，常低于底层控制频率。
- PID 控制Proportional-Integral-Derivative Control按误差的当前值、累积值和变化快慢三部分算控制量的经典反馈控制器。
- PD 控制Proportional-Derivative Control按「偏差有多大」和「变化有多快」算输出的反馈控制，即去掉积分项的 PID。
- 阶跃响应指标（超调 / 调节时间 / 稳态误差）Step Response Metrics (Overshoot / Settling Time / Steady-State Error)目标突然改变时，衡量输出多快、多稳、多准到达目标的几个数。
- 积分饱和与抗饱和Integral Windup / Anti-windup执行器顶到上限时积分项仍在累加导致超调；抗饱和就是在饱和时管住积分项。
- 前馈控制Feedforward Control不等误差出现，按模型提前算出所需控制量直接加上去的控制方式。
- 控制带宽Control Bandwidth闭环系统能跟得上的最高信号频率，通常取增益下降 3 dB 处。
- 实时控制Real-Time Control控制程序按固定周期读传感器、算指令、发给电机，每一拍都必须准时完成。
- 控制延迟Control Latency从传感器拿到数据，到电机真正执行对应动作之间的时间差。
- 时间抖动Jitter (Timing Jitter)周期性任务的实际执行时刻偏离理想节拍的波动，是衡量实时性的关键指标。
- 基于模型的控制Model-Based Control先写出机器人和环境的数学模型，再据此推导或优化出控制指令。
- 基于学习的控制Learning-Based Control用数据和机器学习得到控制器或其中的模型，而不全靠人工推公式和调参。
5.2关节控制与模型补偿
把反馈用到关节电机上：位置/速度/力矩模式、驱动接口，再靠动力学模型补偿与抗扰。
- 位置控制Position Control给电机或关节一个目标角度或位置，由控制器让它到达并保持住。
- 速度控制Velocity Control上层给出期望速度，由驱动器让电机或机器人按这个速度运动。
- 力矩控制Torque Control直接给关节下达「出多大力矩」的指令，而不是「转到哪个角度」。
- 串级控制Cascade Control (Position / Velocity / Current Loops)位置环套速度环、速度环套电流环，外环输出当内环目标的多层反馈控制。
- 关节空间控制Joint-Space Control以各关节角度为目标和误差来控制机器人，每个关节跟踪自己的期望轨迹。
- 刚度与阻尼增益Stiffness and Damping Gains关节 PD 控制里决定关节有多硬、多稳的两个系数 Kp 和 Kd。
- MIT 模式MIT Mode (MIT Cheetah-style Joint Motor Command)一帧指令给出目标位置、速度、Kp、Kd、前馈力矩，驱动器按 PD 公式算力矩。
- 伺服使能（上使能 / 下使能）Servo Enable (Servo ON / OFF)让电机驱动器进入可出力状态（上使能）或切断输出（下使能）的操作。
- 回零 / 零位标定Homing / Joint Zero-Offset Calibration让每个关节的编码器读数和模型里的「0 度」对上，确立角度基准。
- 周期同步位置 / 速度 / 力矩模式（CSP / CSV / CST）Cyclic Synchronous Position / Velocity / Torque Modes (CiA 402)CiA 402 里主站每个通信周期发一次位置、速度或力矩设定值的三种模式。
- 透传控制Streaming Servo Control (Pass-through Mode, e.g. UR servoj)上位机按固定周期逐点下发目标关节角或位姿，控制器不再规划、直接跟随。
- 磁场定向控制Field-Oriented Control把三相电流换到随转子旋转的坐标系里，分别控制产生磁通和产生力矩的电流。
- 重力补偿Gravity Compensation按模型算出托住机器人自重所需的关节力矩并提前加上，让手臂不因重力下垂。
- 摩擦补偿Friction Compensation估算关节里的摩擦力矩，提前加进控制指令把它抵消掉。
- 零力拖动Zero-Force Drag (Free-Drive / Hand Guiding Mode)让机械臂抵消自身重力和摩擦，人用很小的力就能推着它走。
- 系统辨识System Identification用实测的输入输出数据，反推出系统的数学模型和参数。
- 计算力矩控制Computed Torque Control用动力学模型算出所需力矩，抵消非线性后再做 PD 控制。
- 反馈线性化Feedback Linearization用状态反馈把非线性项精确抵消，让系统变成线性系统后再设计控制器。
- 扰动观测器Disturbance Observer用名义模型反推出摩擦、负载等未知扰动，再在控制输入里把它抵消掉。
- 自抗扰控制Active Disturbance Rejection Control把模型误差和外部干扰合成「总扰动」，实时估计出来再抵消的控制方法。
- 自适应控制Adaptive Control运行中在线估计未知或变化的参数，并据此自动调整控制器。
- 鲁棒控制Robust Control在模型不准、参数有界变化和外部扰动下，仍保证稳定和性能的控制设计方法。
- 滑模控制Sliding Mode Control用切换控制把状态强行压到预设的「滑模面」上并沿它滑向目标，抗扰能力强。
5.3末端控制与力控
从控制各关节换成直接控制末端，再学接触时怎么控力、怎么顺从，以及视觉伺服。
- 任务空间控制Task-Space Control以末端执行器的位置和姿态为目标来算误差、下指令的控制方式。
- 操作空间控制Operational Space Control直接在末端空间算期望加速度和力，再用动力学换成关节力矩的控制方法。
- 力控Force Control以接触力为控制目标，让机器人按指定的力去推、压、贴合物体。
- 柔顺控制Compliance Control让机器人接触环境时不硬顶、能按设定程度顺着外力让步的一类控制方法。
- 阻抗控制Impedance Control让机器人受力时像弹簧加阻尼器一样顺从，而不是硬顶着目标位置不放。
- 导纳控制Admittance Control测到外力后按设定的质量-阻尼-弹簧关系算出该怎么动，再交给位置环执行。
- 力位混合控制Hybrid Force/Position Control接触任务中把方向拆开：受约束的方向控力，自由的方向控位置。
- 恒力控制Constant Force Control (Force Tracking)让机器人末端对接触面保持设定的恒定压力，比如持续压 10 牛。
- 关节阻抗控制Joint Impedance Control让机器人每个关节表现得像弹簧加阻尼器，被推时顺从让开而不是硬顶。
- 笛卡尔阻抗控制Cartesian Impedance Control让机械臂末端像挂在弹簧阻尼上：被推会让开，松手会回位。
- 变阻抗控制Variable Impedance Control让阻抗控制的刚度、阻尼随任务阶段或感知实时变化，该硬时硬、该软时软。
- 无源性控制Passivity-Based Control从能量角度设计控制器，让闭环系统只耗能、不凭空产生能量，从而稳定。
- 力感知策略 / 柔顺策略学习Force-aware / Compliant Policy Learning让学出来的操作策略感知接触力或输出刚度，接触时既贴得住又不用力过猛。
- 视觉伺服Visual Servoing把相机看到的图像误差直接放进控制回路，边看边调整机器人运动。
- 基于图像的视觉伺服Image-Based Visual Servoing直接用图像里特征点的像素误差来计算相机或机械臂速度的视觉闭环控制。
- 基于位置的视觉伺服Position-Based Visual Servoing先从图像估出目标的 3D 位姿，再按位姿误差控制机器人运动的视觉伺服。
5.4轨迹生成与跟踪
控制器要跟的目标从哪来：用路点、插值、速度曲线生成平滑轨迹，再把它跟稳。
- 轨迹规划Trajectory Planning决定机器人每个时刻该在哪、多快：路径再加上时间安排。
- 路点Waypoint运动过程中指定要经过的中间点，用来约束机器人走哪条路。
- 轨迹插值Trajectory Interpolation已知几个关键点，按时间把它们之间的位置补全成连续轨迹。
- 关节运动与直线运动（MoveJ / MoveL）MoveJ / MoveL (Joint Move / Linear Move Commands)机械臂最常用的两条运动指令：按关节空间走，或让末端走直线。
- 离线编程Offline Programming在电脑三维仿真里写好并验证机器人程序，再下载到真机执行。
- 梯形速度曲线Trapezoidal Velocity Profile匀加速、匀速、匀减速三段组成的速度规划，速度-时间图呈梯形。
- S 型速度曲线S-Curve Velocity Profile限制加加速度、让加速度连续变化的速度规划，速度随时间的曲线呈 S 形。
- 贝塞尔曲线轨迹Bézier Curve Trajectory用几个控制点决定形状的光滑多项式曲线，常用来描述机器人轨迹。
- 三次样条插值Cubic Spline Interpolation用分段三次多项式把一串路点连成位置、速度都连续的平滑曲线。
- 五次多项式插值Quintic Polynomial Interpolation用五次多项式连接起点和终点，同时对齐两端的位置、速度和加速度。
- 最小加加速度轨迹Minimum-Jerk Trajectory让加加速度（加速度的变化率）平方积分最小的轨迹，运动平滑、接近人手动作。
- 最小 Snap 轨迹（微分平坦）Minimum-Snap Trajectory / Differential Flatness让位置四阶导数（snap）平方积分最小的分段多项式轨迹，常用于四旋翼无人机。
- 时间参数化Time Parameterization给只有几何形状的路径配上时间表，决定每个点何时到达、速度多大。
- 时间最优路径参数化Time-Optimal Path Parameterization路径固定不变，求在速度、加速度、力矩限制下走完它的最快时间表。
- 轨迹跟踪Trajectory Tracking让机器人的实际运动紧跟一条随时间变化的参考轨迹，误差趋于零。
- 迭代学习控制Iterative Learning Control让重复做同一动作的系统，用上一次的跟踪误差修正下一次的控制输入。
- 输入整形（振动抑制）Input Shaping (Residual Vibration Suppression)把运动指令拆成几段在时间上错开的指令，让它们激起的振动互相抵消。
- 动作平滑Action Smoothing (Low-pass Filtering)对策略输出的动作滤波或加惩罚，去掉高频抖动，让关节运动连贯。
- 运动基元Motion Primitives把复杂动作拆成可复用、可调参数的一小段标准动作，用时再组合拼接。
- 动态运动基元Dynamic Movement Primitives (Dynamical Movement Primitives)把一条示教轨迹编码成「弹簧阻尼 + 可学习力项」的动力系统，可改终点和速度复现。
- 概率运动基元Probabilistic Movement Primitives用高斯分布描述一类示范轨迹的运动基元，可按经过点或目标条件化调整。
- 高斯混合回归 / 任务参数化 GMMGaussian Mixture Regression / Task-Parameterized GMM用几个高斯分布概括示教轨迹，再按新的物体位置生成对应动作。
5.5最优控制与 MPC
上节靠插值，这节把控制写成优化问题：LQR、轨迹优化、MPC，以及卡尔曼估计。
- 最优控制Optimal Control在满足系统动力学的前提下，找一串控制输入让总代价最小。
- 轨迹优化Trajectory Optimization把找轨迹写成优化问题：满足动力学和约束，同时让代价最小。
- 模型预测控制Model Predictive Control每步用模型预测未来一小段、解优化选出最优动作，只执行第一步再重算。
- 凸优化Convex Optimization目标是凸函数、可行域是凸集的优化问题，找到的局部最优就是全局最优。
- 二次规划Quadratic Programming目标是二次函数、约束是线性等式或不等式的优化问题，控制里极常用。
- 序列二次规划Sequential Quadratic Programming把非线性约束优化问题反复近似成二次规划来求解的迭代算法。
- 线性二次调节器Linear Quadratic Regulator线性系统的最优反馈控制：权衡状态误差和控制代价，解出固定增益 u = −Kx。
- 状态观测器State Observer用系统模型加上可测的输入和输出，实时推算测不到的内部状态。
- 卡尔曼滤波Kalman Filter把模型预测和带噪声的测量按各自可信度加权融合，逐步估计系统状态。
- 扩展卡尔曼滤波Extended Kalman Filter把非线性系统在当前估计点线性化，再套用卡尔曼滤波做状态估计的方法。
- 线性二次高斯控制Linear Quadratic Gaussian Control状态测不全且有噪声时，先用卡尔曼滤波估计状态、再用 LQR 求控制的最优方法。
- 迭代线性二次调节器Iterative Linear Quadratic Regulator把非线性系统沿当前轨迹反复线性化、每轮用 LQR 求修正量的轨迹优化算法。
- 微分动态规划Differential Dynamic Programming沿当前轨迹做二阶近似、反复前后扫描，逐步改进控制序列的轨迹优化方法。
- 直接配点法Direct Collocation把轨迹切成节点，把动力学写成节点间的约束，转成一个大优化问题来求解。
- 多重打靶法Multiple Shooting把长轨迹切成多段分别积分、再用衔接约束拼接起来的最优控制求解方法。
- 接触隐式轨迹优化Contact-Implicit Trajectory Optimization不预先规定接触顺序，让优化器自己决定何时、何处与环境接触。
- 非线性模型预测控制Nonlinear Model Predictive Control用非线性动力学模型预测未来、每个周期在线求解优化问题的 MPC。
- 采样式 MPCSampling-based MPC每个周期随机采样一批动作序列，在模型里推演打分，挑最好的执行第一步。
- 模型预测路径积分控制Model Predictive Path Integral Control每个周期随机采样大量控制序列并模拟，按代价加权平均出动作的采样式 MPC。
- 交叉熵方法Cross-Entropy Method反复「采样一批、留下最好的、据此更新分布」的无梯度优化方法。
- 视觉预见 / 基于学习模型的规划Visual Foresight / Planning with Learned (World) Models先学会预测「做这个动作后画面会变成什么样」，再在想象里挑最好的动作。
5.6足式与全身控制
用前面的工具让腿足和人形走稳：步态、落脚、平衡、全身控制，再到强化学习运控。
- 步态Gait腿足动物或机器人移动时，各条腿抬起、落地的先后顺序和节奏。
- 对角小跑步态Trot Gait四足动物或机器人对角两条腿成对同时落地、两组交替迈步的步态。
- 步态规划Gait Planning决定腿足机器人每条腿何时着地、何时抬起以及迈步节奏的规划。
- 步态相位（相位时钟）Gait Phase (Phase Clock / Periodic Gait Signal)用一个在 0 到 1 之间循环的数，表示当前处在步态周期的哪一刻。
- 中枢模式发生器Central Pattern Generator无需节律输入就能自己产生节律信号、用来驱动步态的神经回路或振荡器。
- 落足点规划Footstep Planning为腿足机器人算出接下来每一步踩在哪、脚朝哪个方向。
- Raibert 启发式Raibert Heuristic按身体速度把脚落在中性点前后，以此调节腿式机器人前进速度的落足规则。
- 足端轨迹规划Swing Foot Trajectory Planning为腿足机器人的摆动腿规划从抬脚到落地的足端空间曲线。
- 平衡控制Balance Control让足式或人形机器人在站立、行走和被推时保持不倒的控制。
- 推恢复Push Recovery机器人被推或被撞后调整姿态或迈步，重新站稳不摔倒的能力。
- 踝策略/髋策略/跨步策略Ankle, Hip and Stepping Strategies受推后保持平衡的三级手段：动脚踝、甩上身、迈一步。
- 双支撑期Double Support Phase步行中两只脚同时着地的那一段，身体的支撑在这段从后脚移到前脚。
- ZMP 预观控制ZMP Preview Control参考未来一段 ZMP 目标轨迹，提前算好质心怎么动，生成双足稳定步态。
- 拟人步态（直膝行走 / 足跟-足尖行走）Human-like Gait (Straight-knee Walking / Heel-to-toe Walking)让人形机器人像人一样伸直膝盖、脚跟先着地、再用脚尖蹬离地面的走法。
- 混合零动态Hybrid Zero Dynamics用「虚拟约束」把双足步行压成低维系统，再设计并证明步态稳定的控制理论。
- 虚拟模型控制Virtual Model Control在机器人身上假想挂上弹簧阻尼器，把它们产生的力换算成关节力矩来控制。
- 凸 MPCConvex MPC把腿足机器人简化成单刚体，让 MPC 变成能快速求到全局最优的二次规划。
- 接触力优化Contact Force Optimization (Force Distribution)已知机身需要的总力和力矩，求每只脚或每根手指各出多大力。
- 多接触规划Multi-contact Planning规划机器人用脚、手、膝等部位按什么顺序、在哪里接触环境来借力。
- 全身控制Whole-Body Control把人形或足式机器人全身关节放在一起统一计算，同时完成多个任务的控制方法。
- 零空间控制Null-Space Control利用冗余自由度，在不干扰主任务的前提下完成次要目标的控制方法。
- 任务优先级Task Prioritization机器人同时做多件事时按重要性排序，低优先级任务不能干扰高优先级任务。
- 分层二次规划Hierarchical Quadratic Programming把多个控制目标按优先级排队逐层求解，低优先级绝不干扰高优先级。
- 强化学习运控RL-based Locomotion Control在仿真里用强化学习训练神经网络，直接控制腿足机器人行走的方法。
- 速度指令跟踪Velocity Command Tracking足式机器人按给定的前进、横移和转向速度走路的标准训练任务。
- 步态相位（相位时钟输入）Gait Phase Variable / Clock Input (sin/cos phase)把步态相位编码成 sin、cos 两个数输入策略网络，让它知道节拍。
- 学习型全身控制Learning-based Whole-Body Control (Neural WBC)用仿真里强化学习训出的神经网络，统一协调人形机器人全身关节。
- 解耦全身控制Decoupled Whole-Body Control人形机器人下半身用强化学习管走路和平衡，上半身用逆运动学管手臂。
- 运动跟踪Motion Tracking让机器人实时复现一段参考动作（如人类动捕）的全身控制任务。
- 跌倒保护与摔倒恢复Fall Mitigation / Fall Recovery (Humanoid Fall Safety)人形机器人摔倒时尽量减小损伤、倒地后自己爬起来的两类能力。
5.7路径规划与导航
从「控」转向「规」：在地图上用 A* 等算法找路，再分全局、局部两层导航避障。
- 规控（规划与控制）Planning and Control (PnC)把「决定怎么走」和「让执行器照着走」合在一起的技术模块与岗位方向。
- 运动规划Motion Planning在不碰撞、满足约束的前提下，算出机器人从起点到目标的一串姿态或轨迹。
- 路径规划Path Planning在不碰撞的前提下，找出从起点到终点要经过的一串位置或姿态。
- 避障Obstacle Avoidance机器人感知到障碍物后提前调整路线或动作，不让自己撞上去。
- 代价地图Costmap把地面切成栅格、每格标上通行代价的二维地图，供导航规划和避障使用。
- 全局规划与局部规划Global Planning and Local Planning导航分两层：全局规划在整张地图上找路，局部规划实时跟路并避开眼前障碍。
- Dijkstra 算法Dijkstra's Algorithm在边权非负的图上，求起点到其余各点最短路径的经典算法。
- A* 算法A* Search按「已走代价 + 到终点的估计代价」挑下一步的最短路径搜索算法。
- 混合 A*Hybrid A*在栅格上搜索、但记录车辆连续位置和朝向，保证路径车能开出来的 A* 变体。
- 重规划Replanning执行途中根据新情况重新计算路径或步骤，而不是按原计划一条路走到底。
- D* / D* LiteD* / D* Lite (Incremental Replanning)地图边走边变时，只修补受影响的部分、快速重算最短路径的图搜索算法。
- 人工势场法Artificial Potential Field目标产生吸引力、障碍物产生排斥力，机器人顺着合力走的实时避障方法。
- 动态窗口法Dynamic Window Approach在机器人下一刻能达到的速度里采样、模拟、打分，选出最优速度的局部避障法。
- 时间弹性带Timed Elastic Band把局部轨迹当作带时间间隔的「橡皮筋」实时优化的移动机器人局部规划方法。
- 纯追踪算法Pure Pursuit在路径前方取一个预瞄点，算出开过去所需圆弧曲率的路径跟踪方法。
- 速度障碍法 / ORCAVelocity Obstacles / Optimal Reciprocal Collision Avoidance在速度空间里划出「会撞」的速度集合，选一个不撞且最接近期望的速度。
- 多智能体路径规划Multi-Agent Path Finding给一群机器人同时规划各自到目标的路线，并保证彼此不相撞。
- 前沿探索Frontier-based Exploration机器人反复开向「已知空地与未知区域的交界」，边走边把地图建完。
- 覆盖路径规划Coverage Path Planning规划一条让机器人（或它的工具）扫过整片区域每一处的路径。
5.8机械臂运动规划
关节一多就没法画格子搜：靠碰撞检查、RRT 等采样法和轨迹优化来规划手臂动作。
- 碰撞检查Collision Checking规划时查询某个姿态或某段路径会不会让机器人撞到自己或环境。
- 自碰撞检测Self-Collision Checking判断机器人在某个姿态下，自己的连杆之间会不会相互撞上。
- 包围盒Bounding Volume (AABB / OBB)用盒子、球等简单形状包住复杂物体，先粗筛再精算碰撞。
- GJK 算法Gilbert-Johnson-Keerthi Algorithm判断两个凸形状是否相交、并算出它们最近距离的经典迭代算法。
- 基于采样的规划Sampling-Based Planning在构型空间里随机撒点、用碰撞检测筛选后连成无碰路径的一类运动规划方法。
- 概率完备性Probabilistic Completeness只要解存在，采样越多、找到可行路径的概率就越趋近 1 的算法性质。
- 概率路线图Probabilistic Roadmap先在空间里随机撒点连成路网，再在路网上查起点到终点路径的规划算法。
- 快速扩展随机树Rapidly-exploring Random Tree从起点出发随机撒点、不断向新点长枝，直到树枝够到终点的规划算法。
- RRT*RRT* (Asymptotically Optimal RRT)在 RRT 上加入选父节点和重连两步，使路径随采样增多收敛到最优。
- Informed RRT*Informed RRT* (Informed Sampling)找到一条路径后，只在「可能更短」的椭球区域里采样，从而更快收敛的 RRT*。
- BIT*Batch Informed Trees分批撒采样点、再按启发式顺序搜索最优路径的运动规划算法。
- RRT-ConnectRRT-Connect (Bidirectional RRT)从起点和终点各长一棵随机树，并贪心地把两棵树接起来的路径规划算法。
- 路径平滑Path Smoothing (Shortcutting)对规划出的曲折路径做后处理，删掉绕路、磨平拐角，让机器人走得更短更顺。
- 动力学约束规划Kinodynamic Planning规划时同时满足避障和速度、加速度、力矩等动力学限制，直接给出可执行轨迹。
- 欧氏符号距离场Euclidean Signed Distance Field三维栅格里每一格都存着到最近障碍物的真实距离，外正内负，还能求梯度。
- CHOMPCovariant Hamiltonian Optimization for Motion Planning用梯度下降把初始轨迹推离障碍物、同时保持平滑的轨迹优化规划器。
- STOMPStochastic Trajectory Optimization for Motion Planning在初始轨迹附近撒一批带噪声的轨迹、按代价加权更新的无梯度轨迹优化器。
- TrajOptTrajOpt (Sequential Convex Trajectory Optimization)用序列凸优化求局部最优、无碰撞机器人轨迹的运动规划方法和开源库。
- 凸集图规划Graphs of Convex Sets (GCS)把无碰撞空间拆成凸块连成图，用凸优化求出全局较优的平滑轨迹。
- 黎曼运动策略Riemannian Motion Policies每个子目标给出期望加速度和重要性矩阵，按矩阵加权合成整机动作的反应式框架。
- Geometric FabricsGeometric Fabrics (NVIDIA reactive motion generation)NVIDIA 提出的反应式运动生成框架，实时合成避障、限位等行为且可证稳定。
- 神经运动规划Neural Motion Planning用神经网络从海量规划样例中学会直接生成无碰撞运动的方法。
- 抓取规划Grasp Planning算出夹爪或灵巧手该从物体哪里、以什么姿态和手指构型去抓。
- 预抓取位姿Pre-grasp Pose真正抓取前，夹爪先停在物体附近、对准抓取方向的那个中间位姿。
5.9任务层：编排与规划
再往上一层，决定先做什么后做什么：状态机、行为树、符号规划，到大模型任务规划。
- 有限状态机Finite State Machine系统任一时刻处于有限个状态之一，收到事件就按规则切换状态的模型。
- 行为树Behavior Tree用树形结构组织动作和条件、决定机器人下一步做什么的任务编排方式。
- 任务规划Task Planning给定当前状态和目标，找出一串能达成目标的高层动作步骤。
- 符号规划Symbolic Planning用逻辑符号描述状态和动作的前提与效果，搜索出达成目标的动作序列。
- 规划领域定义语言Planning Domain Definition Language用统一格式写下动作的前提、效果和任务目标，交给通用规划器求解的语言。
- 分层任务网络Hierarchical Task Network按人写好的「拆解方法」把大任务一层层拆成可直接执行的动作序列的规划方法。
- 蒙特卡洛树搜索Monte Carlo Tree Search靠大量随机模拟估计每个选择的好坏、边搜边长出搜索树的决策算法。
- 任务与运动规划Task and Motion Planning把先做哪些动作和每个动作具体怎么动放在一起联合求解的规划方法。
- 大模型任务规划LLM-based Task Planning让大语言模型或视觉语言模型把一句高层指令拆成机器人能执行的子任务序列。
- 共享自主Shared Autonomy人和机器人同时出力：机器人推断人的意图，把人的指令和自主动作融合后执行。
5.10安全与稳定保障
贯穿各层的兜底：急停、限位、碰撞检测、安全标准，再到可证明稳定与安全的理论。
- 急停Emergency Stop危险时一个动作就让机器停下的安全功能，典型形态是黄底红色蘑菇头按钮。
- 保护性停止Protective Stop安全功能检测到超限或危险时，让机器人自动、受控地停下来的停止方式。
- 阻尼模式Damping Mode关节不再追目标位置，只产生与转速相反的阻力，让机器人缓慢卸力的保护状态。
- 软限位Soft Limits (Software Joint Limits)在机械极限之内由软件设定的更保守的运动边界，先于机械止挡拦住机器人。
- 力矩限幅Torque Limiting (Saturation)把控制器算出的力矩截断在电机允许的范围内，超出部分不执行。
- 看门狗Watchdog要求程序定时「报平安」，超时没收到就判定出错，让机器人进入安全状态。
- 碰撞检测（本体安全）Collision Detection (Robot Safety)机器人运动中实时发现自己撞到人或物体，并立即停止或退让的安全功能。
- 动量观测器Generalized Momentum Observer只用关节位置、速度和电机力矩，估计机器人身上受到的外力矩。
- 碰撞反应Collision Reaction机器人检测到碰撞后，决定停下、变软还是退让的应对策略。
- 功率与力限制Power and Force Limiting允许机器人碰到人，但把接触力和压强限制在不致伤阈值内的协作安全方式。
- 速度与分离监控Speed and Separation Monitoring协作机器人实时监测人机距离，一旦小于安全距离就减速或停机的防护方式。
- 功能安全Functional Safety靠自动保护功能在故障时仍把设备带到安全状态，并量化这种可靠性。
- ISO 13849 性能等级 PL（安全完整性等级 SIL）ISO 13849 Performance Level (PL a–e, Category B–4) / Safety Integrity Level (SIL, IEC 62061/61508)衡量机器安全功能有多可靠的分级：ISO 13849 的 PL a–e 与 IEC 体系的 SIL。
- ISO 10218 工业机器人安全标准（2025 版）ISO 10218-1/-2:2025 Robotics — Safety Requirements (Part 1: Industrial Robots; Part 2: Industrial Robot Applications and Robot Cells)国际上管工业机器人本体设计和集成应用的核心安全标准，2025 年发布新版。
- ISO/TS 15066 协作机器人安全标准ISO/TS 15066 Robots and Robotic Devices — Collaborative RobotsISO 2016 年发布的协作机器人安全技术规范，规定人机接触时的力和压强上限。
- ISO 13482 个人护理机器人安全标准ISO 13482 (Safety Requirements for Personal Care Robots)针对移动服务、穿戴助力、载人这类贴近人日常生活的机器人的国际安全标准。
- ISO 25785-1 动态稳定移动机器人安全标准ISO 25785-1 (Safety Requirements for Dynamically Stable Industrial Mobile Robots, i.e. with Actively Controlled Stability, e.g. legged/humanoid — Part 1: Robots)专为人形、四足等需主动平衡才站得住的工业移动机器人制定的安全标准，仍在起草。
- 李雅普诺夫稳定性Lyapunov Stability判断系统受扰后能否回到平衡点的理论，常用一个只减不增的「能量函数」来证明。
- 控制李雅普诺夫函数Control Lyapunov Function一个类似能量的函数：只要总能选出控制让它下降，系统就能被稳到目标。
- 控制障碍函数Control Barrier Function把「别越界」写成约束，只在快要不安全时才最小限度地改动控制指令。
- 安全滤波器Safety Filter夹在策略和执行器之间，只在动作会导致危险时才最小限度地改动它。
- HJ 可达性分析Hamilton-Jacobi Reachability Analysis解一个偏微分方程，算出「从哪些状态出发能保证避开危险」的安全区域。