传感器是机器人感知外界和自身状态的基础。对于轮足机械臂机器人而言，多模态传感器的合理配置与高效融合直接决定了系统的控制精度、鲁棒性和智能化水平。本章将深入探讨各类传感器的选型原则、集成方法以及多传感器数据融合的工程实践，特别关注硬件约束对算法设计的影响。
编码器是机器人关节位置反馈的核心传感器，其精度直接影响运动控制性能。选择合适的编码器类型和分辨率需要综合考虑精度需求、成本预算、系统复杂度等多个因素。
增量式编码器通过光电或磁性原理产生脉冲信号，每个脉冲代表固定的角度增量。其输出通常为正交的A、B两相信号，通过相位差判断旋转方向：
A相 ┌──┐ ┌──┐ ┌──┐
│ │ │ │ │ │
────┘ └──┘ └──┘ └────
B相 ┌──┐ ┌──┐ ┌──┐
│ │ │ │ │ │
──────┘ └──┘ └──┘ └──
正转: A相领先B相90°
反转: B相领先A相90°
优点：
缺点：
分辨率计算： 对于具有N线的增量式编码器，经过4倍频处理后的分辨率为：
\[\text{分辨率} = \frac{360°}{4N} = \frac{90°}{N}\]例如，2048线编码器经4倍频后可达到8192 CPR（Counts Per Revolution），角度分辨率约为0.044°。
绝对式编码器为每个角度位置分配唯一的编码，断电后仍能保持位置信息。常见类型包括：
单圈绝对式：在360°范围内提供绝对位置，常用格雷码或二进制编码：
位置 二进制码 格雷码
0° 0000 0000
22.5° 0001 0001
45° 0010 0011
67.5° 0011 0010
...
格雷码的优势在于相邻位置只有1位变化，减少读取错误。
多圈绝对式：除了单圈内的绝对位置，还记录旋转圈数。通常采用齿轮机构或韦根效应（Wiegand effect）实现无源计圈：
\[\text{总位置} = \text{圈数} \times 360° + \text{圈内角度}\]优点：
缺点：
编码器分辨率选择需要平衡精度需求和系统成本：
最小分辨率要求： 基于末端精度要求反推关节分辨率。对于串联机械臂，考虑最坏情况下的误差传递：
\[\Delta x_{end} \approx \sum_{i=1}^{n} |J_i| \cdot \Delta \theta_i\]其中$J_i$是第i个关节的雅可比贡献，$\Delta \theta_i$是关节分辨率。
采样定理约束： 为避免混叠，编码器分辨率应满足：
\[f_{encoder} > 2 \cdot f_{control} \cdot \frac{v_{max}}{\Delta \theta}\]其中$f_{control}$是控制频率，$v_{max}$是最大角速度。
工程经验法则：
机械安装要点：
电气噪声抑制：
零点校准方法：
惯性测量单元（IMU）是机器人姿态估计和运动控制的关键传感器。其性能极易受到振动、温度和安装位置的影响。
现代MEMS IMU包含三轴加速度计和三轴陀螺仪，部分型号集成磁力计。其测量模型为：
加速度计模型： \(\tilde{a} = K_a \cdot R_{ba} \cdot (a_{true} - g) + b_a + n_a\)
陀螺仪模型： \(\tilde{\omega} = K_g \cdot R_{bg} \cdot \omega_{true} + b_g + n_g\)
其中：
Allan方差分析： 用于表征IMU噪声特性的标准方法：
\[\sigma^2(\tau) = \frac{1}{2(N-1)} \sum_{i=1}^{N-1} [\bar{\Omega}_{i+1}(\tau) - \bar{\Omega}_i(\tau)]^2\]典型噪声参数：
IMU放置位置直接影响测量质量和算法复杂度：
质心附近放置：
基座放置：
杆臂效应补偿： \(a_{IMU} = a_{CoM} + \alpha \times r + \omega \times (\omega \times r)\)
其中$r$是IMU到质心的位置向量。
关节内置放置：
高频振动是IMU测量的主要干扰源，需要精心设计隔离系统：
被动隔离方案：
单自由度隔振系统传递率： \(T(\omega) = \frac{1}{\sqrt{(1-r^2)^2 + (2\zeta r)^2}}\)
其中$r = \omega/\omega_n$是频率比，$\zeta$是阻尼比。
设计准则：
常用材料：
主动隔离方案： 使用压电或电磁作动器主动抵消振动：
\[F_{actuator} = -K_p \cdot x - K_d \cdot \dot{x} - K_a \cdot \ddot{x}\]优点：宽频带隔振，可自适应 缺点：成本高，功耗大，可能引入额外噪声
MEMS传感器对温度敏感，需要建立温度补偿模型：
多项式模型： \(b(T) = b_0 + b_1 \cdot T + b_2 \cdot T^2 + ...\)
查表法： 预先标定不同温度下的误差参数，运行时插值。
自适应滤波： 使用卡尔曼滤波在线估计温度相关偏置：
\[\begin{bmatrix} x_{k+1} \\ b_{k+1} \end{bmatrix} = \begin{bmatrix} I & -\Delta t \cdot I \\ 0 & I \end{bmatrix} \begin{bmatrix} x_k \\ b_k \end{bmatrix} + \begin{bmatrix} \Delta t \cdot I \\ 0 \end{bmatrix} u_k\]力/扭矩传感器是实现柔顺控制和精确力控的基础，其集成位置和方式直接影响控制性能。
应变片式： 最常见的六维力/扭矩传感器，通过惠斯通电桥测量应变：
\[V_{out} = V_{ex} \cdot \frac{\Delta R}{R} \cdot \frac{1}{4}\]优点：精度高（0.1% F.S.），技术成熟 缺点：易受温度影响，需要精密放大器
压电式： 利用压电效应直接产生电荷：
\[Q = d_{ij} \cdot F\]优点：刚度高，动态响应快（> 10kHz） 缺点：不能测量静态力，存在电荷泄漏
光学式： 通过光强或光路变化测量形变：
优点：抗电磁干扰，可在恶劣环境工作 缺点：成本高，体积大
腕部集成：
机械臂 ═══╤═══ 力传感器 ═══╤═══ 末端执行器
└─────────┘ └─────────┘
优点：
缺点：
重力补偿： \(F_{contact} = F_{measured} - R_{tool} \cdot m_{tool} \cdot g\)
关节扭矩传感：
电机 ══╤══ 扭矩传感器 ══╤══ 减速器 ══╤══ 输出
└──────┘ └──────┘ └──────┘
串联弹性执行器（SEA）设计： \(\tau = k_{spring} \cdot (\theta_{motor} - \theta_{link})\)
优点：
缺点：
静态标定： 施加已知载荷，建立电压-力映射矩阵：
\[F = C \cdot V\]其中$C$是6×6标定矩阵。
动态补偿： 补偿传感器动态特性：
\[F_{true}(s) = \frac{1}{G(s)} \cdot F_{measured}(s)\]其中$G(s)$是传感器传递函数。
串扰补偿： 六维传感器存在轴间串扰：
\[\begin{bmatrix} F_x \\ F_y \\ F_z \\ M_x \\ M_y \\ M_z \end{bmatrix} = C_{6×6} \cdot \begin{bmatrix} V_1 \\ V_2 \\ V_3 \\ V_4 \\ V_5 \\ V_6 \end{bmatrix}\]标定矩阵$C$通过最小二乘法获得。
视觉传感器的机械安装质量直接影响感知精度。振动、热变形和安装误差都会导致标定失效和测量误差。
眼在手上（Eye-in-Hand）： 相机固定在末端执行器上，随机械臂运动：
基座 ═══ 机械臂 ═══╤═══ 相机
└─── 夹持器
优点：
缺点：
眼看手（Eye-to-Hand）： 相机固定在外部，观察机器人工作空间：
┌─── 固定相机
│ ↓
│ [工作空间]
└─── 机械臂
优点：
缺点：
混合配置： 结合两种方式，用全局相机粗定位，手眼相机精确操作。
刚度要求： 相机安装结构的一阶固有频率应满足：
\[f_n > 5 \times f_{control}\]对于1kHz控制频率，结构固有频率应 > 5kHz。
热稳定性设计：
快换接口： 采用运动学耦合（Kinematic coupling）实现高重复精度：
V型槽 ═╤═ 球
│
平面 ═╧═ 球
│
锥孔 ═○═ 球
重复定位精度可达 < 1μm。
被动减振：
主动防抖：
快门策略： 全局快门vs滚动快门：
全局快门： |═══════════| 所有像素同时曝光
t0 t1
滚动快门： |═══════════ 逐行曝光
| ═══════════
| ═══════════
t0 t1
高速运动场景必须使用全局快门避免畸变。
柔性线缆选择：
拖链系统：
╔═══╤═══╤═══╗
║ │ │ ║ 拖链截面
╚═══╧═══╧═══╝
电源 信号 备用
设计要点：
多传感器融合的前提是精确的时空对准。时间不同步和空间标定误差会严重影响融合效果。
硬件同步： 使用共同触发信号实现纳秒级同步：
主时钟 ──┬── 相机触发
├── IMU采样
└── 编码器锁存
PTP（Precision Time Protocol）可实现亚微秒级网络同步：
\[t_{slave} = t_{master} + \text{offset} + \frac{\text{delay}}{2}\]软件同步： 基于时间戳的事后同步：
最近邻匹配： \(t_{sync} = \arg\min_{t_i} |t_i - t_{ref}|\)
线性插值： \(x(t) = x_i + \frac{x_{i+1} - x_i}{t_{i+1} - t_i} \cdot (t - t_i)\)
样条插值： 适合IMU等高频连续信号。
时延估计： 通过互相关估计传感器间时延：
\[\tau = \arg\max_{\tau} \sum_{t} x_1(t) \cdot x_2(t + \tau)\]相机-IMU标定： Kalibr工具链标定步骤：
相机-机械臂标定（手眼标定）： 求解方程 $AX = XB$：
\[T_{CE} \cdot T_{EE'} = T_{CC'} \cdot T_{CE}\]其中：
激光雷达-相机标定：
Bundle Adjustment： 同时优化位姿和标定参数：
\[\min_{K,T_i,P_j} \sum_{i,j} \rho(||p_{ij} - \pi(K, T_i, P_j)||^2)\]其中$\rho$是鲁棒核函数（Huber、Cauchy等）。
滤波器方法： 将标定参数加入状态向量：
\[x = [pose, velocity, bias, T_{sensor}, K_{intrinsic}]^T\]注意可观性分析，某些参数需要特定运动激励才可观。
集中式融合： 所有传感器数据送至中央处理：
传感器1 ──┐
传感器2 ──┼── 融合中心 ── 状态估计
传感器3 ──┘
优点：全局最优 缺点：计算量大，单点故障
分布式融合： 各传感器本地处理后交换信息：
传感器1 ←→ 传感器2
↑ ↓
└─ 传感器3 ─┘
优点：鲁棒性好，可扩展 缺点：次优解，通信开销
分层融合： 不同频率的传感器分层处理：
高频层(1kHz)：IMU + 编码器 → 姿态估计
↓
中频层(100Hz)：+ 视觉里程计 → 位姿估计
↓
低频层(10Hz)：+ GPS/地图匹配 → 全局定位
Agility Robotics的Digit人形机器人展示了先进的多传感器集成方案，其设计充分考虑了感知需求、计算能力和成本的平衡。
Digit配备了丰富的传感器系统：
本体感知：
外部感知：
Digit采用串联弹性执行器（SEA）设计，将扭矩传感直接集成在传动链中：
电机 ── 编码器1 ── 弹簧 ── 编码器2 ── 输出
↑ ↑
电机侧位置 输出侧位置
扭矩 = k_spring × (θ_motor - θ_output)
优势分析：
工程细节：
Digit使用双IMU配置提高鲁棒性：
主IMU（躯干）：
辅助IMU（骨盆）：
数据融合策略：
IF (|acc_trunk - acc_pelvis| > threshold) THEN
检测到接触/冲击
降低躯干IMU权重
ELSE
正常融合
END IF
Digit的视觉传感器采用分层覆盖策略：
头部相机群：
躯干相机：
手部相机（选配）：
Digit采用硬件触发+软件补偿的混合同步方案：
FPGA时钟源(125MHz)
├── 相机触发(30Hz，相位可调)
├── IMU中断(1kHz)
└── 编码器采样(10kHz)
软件层：
- ROS2 时间戳统一
- NTP时间同步(< 1ms)
- 传感器时延补偿表
时延补偿参数（典型值）：
Digit采用分布式计算降低通信延迟：
边缘计算节点：
中央处理器：
通信总线：
多传感器冗余实现故障容错：
传感器健康监测：
sensor_health = {
'range_check': (min_val < reading < max_val),
'rate_check': (update_rate > min_rate),
'consistency': (|reading - predicted| < threshold),
'noise_level': (std(readings) < max_noise)
}
降级策略：
Digit传感器系统的关键性能指标：
随着软体机器人和人机协作需求的增长，大面积分布式触觉感知成为研究热点。电子皮肤技术有望实现类人的全身触觉感知。
电阻式： 压力改变导电材料的电阻：
\[R = \rho \cdot \frac{L}{A} \propto \frac{1}{P}\]材料选择：
电容式： 压力改变电极间距或介电常数：
\[C = \epsilon_0 \epsilon_r \frac{A}{d}\]优势：
压电式： 机械应力产生电荷：
\[Q = d_{33} \cdot F\]特点：
交叉点寻址： 降低引线数量从$N^2$到$2N$：
行电极 ──┬──┬──┬──
│ │ │
⊗ ⊗ ⊗ 传感单元
│ │ │
列电极 ──┴──┴──┴──
扫描策略：
串扰抑制：
材料体系：
制造工艺：
转印技术： 在硬基底制造，转移到柔性基底
特征提取： 从触觉图像提取：
深度学习方法：
# 触觉图像识别网络
class TactileNet(nn.Module):
def __init__(self):
self.conv1 = nn.Conv2d(1, 32, 3) # 压力图
self.conv2 = nn.Conv2d(32, 64, 3)
self.fc = nn.Linear(64*6*6, 10) # 物体类别
时序建模： 使用LSTM/Transformer捕捉动态触觉模式：
人体皮肤启发：
多模态集成：
压力 ─┐
温度 ─┼─→ 融合 → 触觉感知
振动 ─┘
机器人抓取：
人机交互：
医疗应用：
当前挑战：
未来方向：
本章系统介绍了轮足机械臂机器人的传感器系统设计与集成。关键要点包括：
核心概念：
编码器选型：增量式成本低但需回零，绝对式可靠但昂贵。分辨率需根据末端精度要求反推，典型工业应用需17-19位。
IMU集成：放置位置影响杆臂效应，需要精心设计振动隔离（隔振频率 < 振动频率/√2）和温度补偿。
力/扭矩传感：腕部集成直接测量末端力但增加惯量，关节扭矩传感实现更好的阻抗控制。
视觉安装：结构固有频率需 > 5倍控制频率，考虑热稳定性和快换需求。
多传感器融合：硬件同步实现纳秒级精度，软件补偿处理不同延迟。空间标定通过优化重投影误差完成。
关键公式：
| 编码器分辨率：$\Delta x_{end} \approx \sum_{i=1}^{n} | J_i | \cdot \Delta \theta_i$ |
工程实践：
通过Digit机器人案例，我们看到了工业级系统如何平衡性能、成本和可靠性。分布式触觉感知代表了未来发展方向，但仍面临可靠性、标准化等挑战。
练习4.1 某机械臂末端需要达到0.1mm的定位精度，机械臂有6个关节，最长连杆长度为0.5m。假设误差均匀分布，计算每个关节编码器的最小分辨率要求。
练习4.2 设计一个IMU振动隔离系统，机器人关节电机产生200Hz的振动，IMU采样率为1000Hz。计算隔振系统的理想固有频率和阻尼比。
练习4.3 一个六维力/扭矩传感器安装在机械臂末端，末端工具重量为2kg，质心距离传感器0.1m。当机械臂静止且工具垂直向下时，计算传感器的理论读数。
练习4.4 设计一个多传感器时间同步方案，系统包含：30Hz相机、1000Hz IMU、100Hz激光雷达。要求时间同步精度优于1ms，描述你的硬件和软件设计。
练习4.5 某机器人使用相机-IMU紧耦合进行状态估计。相机以30Hz运行，存在40ms延迟；IMU以200Hz运行，延迟2ms。设计一个滤波器框架处理这种异步多速率问题。
练习4.6 分析一个采用分布式触觉传感的机械手，有16×16的压力传感阵列，采样率100Hz。如果每个传感点12位ADC，计算数据带宽需求，并提出一个数据压缩方案。
练习4.7（开放题）讨论在极端环境（如火星探测、深海作业、核电站）下，传感器系统设计需要考虑哪些特殊因素？如何确保可靠性？
累积误差忽视：增量编码器长时间运行会累积误差，需定期回零校准。