前置 3 · 让机器人动起来、抓住东西¶
第三章是给从 ML 这一边过来的读者补控制和抓取基础。控制是机器人世界里最不像 ML 的那一块：它实时、连续、跟物理硬耦合，调起来跟训模型完全是两种节奏。先有体感再去读 VLA 那一线 paper 会顺很多。
控制是什么：每秒一千次的反馈循环¶
ML 人写一个推理脚本，输入 → 模型 → 输出，跑完就完。机器人控制不是这样。控制是一个永远在跑的循环：
这个循环跑得越快越稳，机器人的动态性能越好。工业级伺服一般 1kHz（每毫秒一次）。家用人形受限于电池和算力，关节级伺服 1-4kHz，更高层规划 100Hz，更上一层任务规划 1-10Hz。
频率分层是机器人控制的灵魂。低层快、高层慢，每一层只解自己时间尺度的问题。机器人的思维结构跟 LLM 完全反过来：LLM 一次思考几秒钟出一段话，机器人是一秒钟做一千次微小决策。
ML 类比：实时控制循环 ≈ 一个永远不停的 forward pass，每个 forward 必须在 1ms 内完成，不允许 GC 卡顿，不允许 cache miss 大波动。这是为什么机器人控制至今几乎从不在 Python 里跑，全部 C++ 实时线程或更底层。
PID：最古老但仍最常用的控制器¶
PID (Proportional-Integral-Derivative) 是控制论第一节课的内容，也是工业上 80% 的真实控制器还在用的形式。
设你想让一个关节从当前角度 q 转到目标角度 q*，定义误差 e = q* - q。PID 给出控制量 u（送给电机的指令）：
- P (proportional)：误差越大，使劲越大。直观，但纯 P 控制会震荡。
- I (integral)：累积过去的误差，消除稳态偏差（系统稳定后还差一点点的"那一点"）。
- D (derivative)：根据误差变化率提前减速，抑制超调和震荡。
调三个增益 (Kp, Ki, Kd) 是个手工活儿。Ziegler-Nichols 给了一套规则，但工业上多数靠工程师试。PID 调得好的人在工厂里仍然是抢手货。
PD 是 PID 去掉 I。机械臂位置控制经常用 PD（电机摩擦小，I 不那么必要），力控经常用 PI（要消除稳态力误差）。
ML 类比：PID ≈ 一个手工调过的、状态量是误差和误差累积的、单步执行的控制策略。一个神经网络当然可以学到它的行为，但学一个 PD 一致性 = 一段轨迹永远稳定收敛 = 这件事是非平凡的。很多 VLA 跑出来的轨迹之所以"有点抖"、"在终点附近犹豫"，本质上是它没学到 PID 那种简洁的反馈律。
阻抗控制：把机械臂当弹簧+阻尼器¶
阻抗控制 (impedance control) 是机器人和环境接触时用的核心控制律。
直觉是这样：你不想让机械臂"硬"，因为硬的机械臂撞到东西会损坏物体或者关节。你想让它"软"，像一根带阻尼的弹簧。给定期望位置 x*、当前位置 x、当前速度 v，阻抗控制把机械臂的动力学整成：
- K 是刚度（弹簧硬度）。K 大 = 抗外力强、跟踪准，K 小 = 软、安全。
- D 是阻尼系数。D 大 = 不容易震荡，D 小 = 响应快。
这个公式让末端表现得像一个二阶机械系统：弹簧拉它去 x，阻尼防止它震荡。外力推它，它会让一让，松开手它弹回来*。
阻抗控制要工作，硬件上必须真的能感受到力。要么有 link-side 关节力矩传感器（KUKA LBR iiwa, Franka Panda），要么有末端 F/T sensor。没有这些传感器的机器人做"impedance control"基本上是装的：靠电机电流反推力矩，误差 30-50%，碰人时反应慢半拍。
阻抗的对偶叫 admittance control（导纳控制），公式反过来：测力，输出位置/速度。两者哪个用看场景，KUKA 这种 link-torque 平台天然适合阻抗，工业插销装配机器人天然适合导纳。
VLA 跟阻抗控制的关系：当前 VLA 的输出层都是位置或末端位姿，下游接一个 impedance controller 把它变成实际电机指令。这一层是绝大多数 VLA paper 不写但每家公司都在用的真东西。
力控 vs 位控¶
控制目标只有两类：
位控 (position control)：让关节或末端去到指定位置。工业搬运、精确装配、画线这类任务。 力控 (force control)：让关节或末端施加指定力。打磨、抛光、按压这类任务。
混合的叫 hybrid position/force control：在某些方向位控，某些方向力控。比如擦桌子：垂直方向力控（保证压力），水平方向位控（沿轨迹走）。
阻抗/导纳控制是位控和力控之间的连续插值。K 无穷大就是纯位控，K = 0 就是纯力控。
跟 VLA 的接口问题：当前 VLA 几乎全部输出位置类指令，原因是 teleop 数据收的也是位置。要训一个直接输出力的 VLA 在数据上很难凑齐：人类操作员遥控时也是按位置思考，不是按力。这是触觉/力觉数据稀缺这件事的另一面。
轨迹：从 spline 到 DMP¶
机器人怎么表示"从 A 走到 B 的一条具体路径"？
直线插值。最朴素：在关节空间或笛卡尔空间从起点到终点匀速插值。简单，但加速度不连续，机器人会"顿一下"。
多项式 / spline。三次或五次多项式让位置、速度、加速度都连续。是工业机械臂最常用的轨迹表示。MoveIt 和大部分商用控制器内部都在用这个。
B-spline / NURBS。控制点 + 基函数，平滑性好，常见于 CNC 加工和 3D 打印。
Dynamic Movement Primitives (DMP)。Stefan Schaal 那一派 2002 年开始推的：一个轨迹由一个吸引子动力系统加一个学得到的 forcing term 组成。优点是能从一次示范学一段轨迹然后泛化到不同起点和终点。这是 imitation learning 的早期主流，2010 年代被 deep learning 那一波部分取代。
神经网络轨迹。Diffusion Policy、π0 这一波直接让网络生成一段连续动作。本质是把"轨迹应该长什么样"完全交给数据驱动。
ML 类比：轨迹 ≈ 一个时间序列的输出。spline / DMP 是手工设计的归纳偏置，神经网络轨迹是数据驱动。这个谱跟 NLP 里"模板生成 → seq2seq → 大语言模型"的演进是一样的。
抓取：把"那个东西拿起来"翻译成关节角¶
抓取是机器人 manipulation 这一行的祖传难题。第 4 章会用整章解构它的现状，这里只立基本词汇。
抓取问题的输入：场景中一个目标物体（可能是给定的，可能要 detection 找出来）。 抓取问题的输出：一组关节命令，让夹爪在合适的姿态、合适的位置闭合，把物体带起来。
中间需要确定的几样东西：
抓取位姿 (grasp pose)。夹爪在什么姿态下闭合。最常用的表示是 6-DoF：(x, y, z, roll, pitch, yaw)，告诉你夹爪中心的位置和朝向。两指夹爪还要再加一个夹爪开度 (gripper width)。
抓取类型。
- 平行夹 (parallel-jaw / two-finger)。最常见。两个平行的指头从两侧合拢。受限于物体形状。
- 吸盘 (suction)。靠真空吸住一个平面。Amazon 仓库里几百万件每天靠吸盘搬。要求物体表面够光滑、够气密。
- 多指 (multi-finger)。3-5 指。能做复杂的握持，但贵、易坏、控制难。第 4、11 章详谈。
- 软夹爪 (soft gripper)。硅胶气动，能抓鸡蛋、草莓。代价是力的精度低。
抓取规划的核心定理：force closure 和 form closure。
- 力闭合 (force closure)：在足够的摩擦下，夹爪能抵抗物体上任何方向的外力。等价说法：摩擦锥的并集覆盖整个力空间。一只手抓水杯就是这种。
- 形闭合 (form closure)：靠夹爪几何就锁住物体，不依赖摩擦。两指夹爪夹一根带把手的螺丝刀，从把手上方夹住把手，就是形闭合。
工业上大多数 grasp planner 算的就是"找一对接触点，让两指夹爪在这对点上闭合时是 force closure"。这是 Dex-Net、GG-CNN、6-DoF GraspNet 这一系工作的数学骨架。
Antipodal grasp 是 force closure 在两指夹爪上的简化形式：两指连线穿过物体重心，每只指头的接触法线指向对方，闭合时摩擦锥能抵消所有外力。这个简化让搜索空间从无限维降到几个参数。
抓取的难在哪：第 4 章的开场题¶
bin picking 大致解了，家庭抓取没解。这件事第 4 章会展开论证。这里先给四条直觉：
第一，物体多样性。仓库 SKU 有限，家里物体无限。一个外卖塑料袋、一个用过的口罩、一只装了两口酒的红酒杯，每一件的力学行为都跟训练集里相差很远。
第二，接触动力学。bin picking 多数是刚体，刚体接触有干净的数学模型。家里一半物体不是刚体：水会晃出来，薯片袋会被捏破，巧克力会化在手指上。这些都不是 grasp planner 能在 force closure 公式里写进去的。
第三，姿态约束。bin picking 怎么抓都行，下一步是丢进盒子。家里很多物体有"必须这样抓"的方向：刀握刀柄、热咖啡握把手、刚出锅的鸡腿不抓断骨那一头。这些是 task-conditioned grasping 的范畴，远超 force closure。
第四，触觉信号缺失。视觉只能看到表面，告诉你不了"这一袋东西多重"、"这个豆腐多软"、"我刚才抓的时候是不是已经在滑了"。第 4 章会展开为什么触觉是最关键也最缺数据的一层。
ML 类比：抓取像一个 multi-modal、long-tail、physics-grounded 的预测任务。它的难度不在"模型不够大"，是物理世界本身的分布外比互联网图文严重得多。
移动机器人的控制：导航栈¶
机器人会走路或会走轮子时，控制问题升一维。
轮式底盘。控制相对简单。差速底盘（左右两轮独立驱动）的运动学是个二维非完整约束系统（不能横移）。麦克纳姆轮 (Mecanum) 加四轮特殊滚子可以原地横移和旋转，全方向移动，但效率低、磨损快。阿克曼底盘（汽车那种）转弯半径有最小限制。
腿式机器人。控制阶跃式难起来。每一步要做：摆动腿规划、支撑腿力分配、躯干姿态控制、ZMP 约束（保证重心在支撑面里）、足底接触相位切换。30 年的研究让这件事在四足上接近"产品化"（Boston Dynamics Spot、ANYmal、Unitree Go2 都到了"插电就能用"），但双足仍然是研究前沿。Honda ASIMO、Boston Dynamics Atlas、Tesla Optimus 这一线推了几十年，到 2025 年才有几款双足能在不平地形上稳定走 30 分钟以上。
导航栈 (navigation stack)。让机器人从 A 走到 B 这件事在工业上有标准化的实现。ROS Nav2 是事实标准，里面包括：global planner（全局路径规划，A* / Dijkstra）、local planner（局部规划，DWB / TEB / MPPI）、costmap（代价地图叠加静态和动态障碍）、recovery behaviors（卡住时的恢复策略）。第 5 章会详谈。
MPC (Model Predictive Control)。这一波在双足和四足里很热。MPC 的思路是：在每个控制周期内，根据当前状态预测未来一小段时间内系统的演化，求解一个最优控制问题，执行第一步，下个周期再来一次。在腿式机器人上 MPC 算的频率通常 50-200Hz，每一步规划 200-1000ms 的未来。Boston Dynamics、ETH ANYmal、MIT Cheetah 那条线都重度依赖 MPC。
ML 类比：MPC 跟 receding horizon 是同一个心智模型。VLA 输出 action chunk + 只执行前几步 + 重新预测，这件事直接借了 MPC 的思想。
几个该有的直觉¶
把这一章压成几句 takeaway：
- 机器人控制是个永不停止的实时反馈循环。1kHz 是工业级关节伺服的常见频率，30Hz 是 VLA 当前甜点。频率高低决定能做什么任务。
- PID/PD 是工业上至今 80% 的控制律。VLA 的精细度在很多任务上还学不到 PID 那种简洁。
- 阻抗控制让机器人变软。但要工作必须有真力传感器。
- 抓取是 multi-modal long-tail 物理任务。bin picking 解了，家庭没解。
- MPC ↔ receding horizon ↔ action chunk 是一回事的不同时代说法。
- 腿式机器人控制比轮式难一阶。双足比四足再难一阶。这件事跟 DoF 多无关，跟支撑面约束有关。
练习¶
找一个 PID 在线模拟器（网上很多 Java applet 风格的），手动调 Kp、Ki、Kd 让一个一阶系统稳定收敛到目标值。亲手把 D 调过头让系统震荡起来，亲手把 I 调过头让系统超调，对这三个增益的物理意义建立体感。比读完 Åström 那本书再去调实机省半年。
读 Franka Emika Panda 的 user manual 里关于 Cartesian impedance 的章节。Panda 是这一档机器人里 impedance control 实现得最干净的，他们的 manual 也写得最清楚。读一份真实工业机器人的 manual，比读十篇 paper 让你对控制的工程现实更接近。
找一段 Boston Dynamics Atlas 跑酷的视频（2023-2024 年那几段）。看一遍，再看一遍它每次起跳前躯干和腿的协调。然后想一件事：这里面 99% 的算法是经典控制 + MPC，没有 LLM、没有 diffusion、没有 VLA。具身这一行最炫的视觉效果至今多数还来自经典栈，不要被 demo 视频里"机器人很聪明"的印象骗到。
比较 Universal Robots UR5e 和 Franka Panda 的 spec sheet。两台都是协作机械臂，但定位不同。把 payload、reach、repeatability、compliance type、价格列出来看。这件事比"哪个跑得快"更影响公司选型决定。
下一章：第 1 章 端到端与分层