混合驱动方法综合了多种驱动技术的优势，通过巧妙的机构设计和控制策略，实现了单一驱动方式难以达到的性能。本章将深入探讨刚柔混合、主被动混合、串并联混合等设计理念，介绍气动-电动混合系统和智能材料驱动技术，并通过工业案例展示混合驱动在实际应用中的威力。学习本章后，读者将掌握混合驱动系统的设计原理、优化方法和控制策略，能够根据具体应用需求选择和设计合适的混合驱动方案。
刚柔混合设计通过在同一系统中集成刚性和柔性元件，实现了刚度的主动或被动调节。这种设计理念特别适合需要同时具备精确定位能力和安全交互特性的灵巧手应用。
变刚度机构的核心思想是通过改变系统的结构参数或材料特性来调节输出刚度。常见的实现方式包括：
拮抗驱动变刚度：通过两个或多个驱动器的拮抗配置实现刚度调节。设两个驱动器的位置为 $q_1$ 和 $q_2$，输出位置 $\theta$ 和刚度 $K$ 可表示为：
\(\theta = \frac{q_1 + q_2}{2}\) \(K = k_0 + k_1(q_1 - q_2)^2\)
其中 $k_0$ 是基础刚度，$k_1$ 是刚度调节系数。
机构变刚度：通过改变传动机构的几何参数实现刚度调节。典型的例子是可变传动比机构：
驱动器
|
[可变半径凸轮]
|
输出连杆
传动刚度 $K_{trans}$ 与传动比 $r$ 的关系为： \(K_{trans} = K_{motor} \cdot r^2\)
材料变刚度：利用智能材料的相变特性或层压结构的滑移机制实现刚度变化。例如，利用低熔点合金（如Field’s metal）的相变：
\[E(T) = \begin{cases} E_{solid} & T < T_m \\ E_{liquid} & T > T_m \end{cases}\]弹性元件是刚柔混合系统的关键组件，其设计需要考虑：
非线性弹簧设计：通过几何非线性或材料非线性实现特定的力-位移特性。对于螺旋弹簧，其刚度可通过改变螺距实现非线性：
\[F = k_0x + k_1x^2 + k_2x^3\]串并联弹性配置：
串并联混合配置的等效刚度： \(K_{eq} = \frac{K_s \cdot K_p}{K_s + K_p} + K_{direct}\)
阻抗控制框架下的变刚度：将期望刚度 $K_d$ 映射到关节空间：
\[\tau = J^T K_d (x_d - x) + J^T B_d \dot{x}\]其中 $J$ 是雅可比矩阵，$B_d$ 是期望阻尼。
基于能量的刚度调节：通过最小化能量消耗优化刚度分配：
\[\min_{K_i} \int_0^T \sum_i P_i(K_i, \omega_i) dt\]约束条件： \(K_{min} \leq K_i \leq K_{max}\) \(\sum_i K_i x_i = F_{desired}\)
主被动混合系统通过选择性地激活或锁定自由度，实现了能耗优化和负载保持能力的提升。
棘轮机构：单向锁定，适用于需要保持抓取力的场景：
驱动齿轮
↓
[棘爪] → [棘轮]
↓
输出轴
锁定条件： \(\tau_{load} < \tau_{holding} = \mu N r\)
其中 $\mu$ 是摩擦系数，$N$ 是法向力，$r$ 是棘轮半径。
电磁制动器：通过电磁力实现快速锁定/解锁：
制动力矩： \(T_b = \mu \cdot \frac{B^2 A}{2\mu_0} \cdot r_{eff}\)
其中 $B$ 是磁感应强度，$A$ 是摩擦面积，$r_{eff}$ 是有效半径。
摩擦离合器：通过控制正压力实现扭矩的连续调节：
传递扭矩： \(T_{clutch} = \mu \cdot N \cdot r_{mean} \cdot n\)
其中 $n$ 是摩擦面数量，$r_{mean}$ 是平均半径。
磁流变离合器：利用磁流变液的剪切应力可控特性：
\[\tau_{yield} = \tau_0 + k B^{\alpha}\]传递扭矩： \(T_{MR} = 2\pi r^2 h \tau_{yield}\)
有限状态机控制：定义系统的工作模式和切换条件：
状态集合 S = {主动驱动, 被动顺应, 锁定保持}
转换条件 T = {力阈值, 速度阈值, 时间触发}
切换逻辑： \(s_{next} = \begin{cases} 锁定保持 & if \: |F| > F_{threshold} \: and \: |\dot{x}| < v_{min} \\ 被动顺应 & if \: F_{contact} > 0 \: and \: mode = 探索 \\ 主动驱动 & otherwise \end{cases}\)
平滑切换控制：避免模式切换时的抖动：
\[u = \alpha(t) u_{active} + (1-\alpha(t)) u_{passive}\]其中 $\alpha(t)$ 是平滑过渡函数： \(\alpha(t) = \frac{1}{2}(1 + \tanh(\beta(t-t_{switch})))\)
串并联混合机构结合了串联机构的大工作空间和并联机构的高刚度、高精度特性。
宏-微混合结构：串联机构提供大范围运动，并联机构提供精细调节：
基座
|
[串联臂] ← 粗定位
|
[并联平台] ← 精定位
|
末端执行器
工作空间叠加： \(W_{total} = W_{serial} \oplus W_{parallel}\)
其中 $\oplus$ 表示闵可夫斯基和。
分支混合结构：部分关节串联，部分关节并联：
雅可比矩阵的混合形式： \(J_{hybrid} = \begin{bmatrix} J_{serial} & 0 \\ J_{coupling} & J_{parallel} \end{bmatrix}\)
位置正解： \(x = f_{serial}(q_s) + R_{serial}(q_s) \cdot f_{parallel}(q_p)\)
其中 $q_s$ 和 $q_p$ 分别是串联和并联部分的关节变量。
速度映射： \(\dot{x} = J_s \dot{q}_s + R_s J_p \dot{q}_p + \omega_s \times (R_s p_p)\)
动力学方程（拉格朗日形式）： \(M_{hybrid}(q)\ddot{q} + C_{hybrid}(q,\dot{q})\dot{q} + G_{hybrid}(q) = \tau\)
其中： \(M_{hybrid} = M_s + J_s^T M_{platform} J_s + M_p\)
多目标优化：同时优化工作空间、灵巧度和刚度：
目标函数： \(f_{obj} = w_1 \cdot V_{workspace} + w_2 \cdot \kappa^{-1} + w_3 \cdot K_{min}\)
其中 $\kappa$ 是条件数（灵巧度指标）。
约束条件：
拓扑优化：确定最优的串并联连接方式：
使用图论表示： \(G = (V, E)\)
其中 $V$ 是关节集合，$E$ 是连接关系。优化连接矩阵 $A$： \(\min_{A} \: \text{compliance}(A) \: s.t. \: \text{connectivity}(A) = true\)
气动-电动混合系统结合了气动系统的高功率密度和电动系统的精确控制特性。
并联架构：气动提供基础驱动力，电动进行精确调节：
压缩空气源
|
[比例阀] ← 电控
|
[气缸] ←→ [电机]
| |
└───┬───┘
|
输出轴
力分配： \(F_{total} = F_{pneumatic} + F_{electric}\)
控制分配： \(F_{pneumatic} = F_{feedforward} + F_{gravity\:comp}\) \(F_{electric} = K_p e + K_d \dot{e} + F_{disturbance\:comp}\)
气缸动力学：
流量方程（ISO 6358）： \(\dot{m} = C \cdot P_1 \cdot \sqrt{\frac{T_0}{T_1}} \cdot \psi(\sigma)\)
其中音速流导 $C$ 和压力比函数 $\psi(\sigma)$： \(\psi(\sigma) = \begin{cases} 1 & \sigma \leq b \\ \sqrt{1-\left(\frac{\sigma-b}{1-b}\right)^2} & \sigma > b \end{cases}\)
活塞力平衡： \(m\ddot{x} = P_1 A_1 - P_2 A_2 - F_{friction} - F_{load}\)
比例阀特性：
阀口流量： \(Q = K_v \cdot u \cdot \sqrt{\Delta P}\)
其中 $K_v$ 是流量系数，$u$ 是控制信号。
分层控制架构：
上层：任务规划与力分配 \(\min_{F_p, F_e} \: (w_1 E_{pneumatic} + w_2 E_{electric})\)
中层：气动压力控制 \(P_d = f(F_{p,desired}, x, \dot{x})\)
底层：电机补偿控制 \(\tau_e = J^T(F_{desired} - F_{p,measured}) + D\dot{q}\)
预测控制方法：考虑气动系统的延迟特性：
预测模型： \(x(k+1) = A_d x(k) + B_{p} u_p(k-\tau_d) + B_e u_e(k)\)
其中 $\tau_d$ 是气动系统延迟。
优化问题： \(\min_{u_p, u_e} \sum_{i=1}^{N} ||x(k+i) - x_r||_Q^2 + ||u(k+i)||_R^2\)
智能材料驱动利用材料在外场作用下的形变特性实现驱动，具有结构简单、噪音低、功率密度高等优势。
材料特性与建模：
SMA的相变模型（Brinson模型）： \(\sigma = E(\xi)\epsilon + \Omega(\xi)\xi + \Theta(T-T_0)\)
其中 $\xi$ 是马氏体分数，满足： \(\dot{\xi} = \frac{1}{s_A}H(\sigma - \sigma_s^{AS})H(\dot{T})H(\xi^A - \xi)\)
加热功率与温度关系： \(mC_p\dot{T} = P_{electric} - h A_s(T - T_{ambient})\)
SMA弹簧驱动器设计：
位移-温度关系： \(\delta = \frac{8D^3n}{Gd^4}(F_0 + k\delta)\)
其中剪切模量 $G$ 随温度变化： \(G(T) = G_M + (G_A - G_M)\xi_A(T)\)
控制策略：
电阻反馈控制：利用SMA电阻变化估计应变 \(R = R_0(1 + \alpha\epsilon + \beta\xi)\)
PWM加热控制： \(u_{PWM} = K_p(r_{target} - r) + K_i\int(r_{target} - r)dt\)
介电弹性体（DE）：
Maxwell应力： \(p = \epsilon_0\epsilon_r E^2 = \epsilon_0\epsilon_r\left(\frac{V}{z}\right)^2\)
厚度方向应变： \(s_z = -\frac{\epsilon_0\epsilon_r V^2}{Yz^2}\)
其中 $Y$ 是杨氏模量，$z$ 是厚度。
离子聚合物金属复合材料（IPMC）：
弯曲曲率与电压关系： \(\kappa = \frac{d_{31}V}{h^2}\)
其中 $d_{31}$ 是压电常数，$h$ 是厚度。
动态模型： \(EI\frac{\partial^4 w}{\partial x^4} + \rho A \frac{\partial^2 w}{\partial t^2} = f(V,x,t)\)
压电方程：
本构关系： \(\begin{bmatrix} S \\ D \end{bmatrix} = \begin{bmatrix} s^E & d^t \\ d & \epsilon^T \end{bmatrix} \begin{bmatrix} T \\ E \end{bmatrix}\)
其中 $S$ 是应变，$D$ 是电位移，$T$ 是应力，$E$ 是电场。
叠层压电驱动器：
位移输出： \(\Delta L = n \cdot d_{33} \cdot V\)
阻挡力： \(F_{block} = k_{piezo} \cdot \Delta L = \frac{EA}{L_0} \cdot n \cdot d_{33} \cdot V\)
超声电机原理：
行波生成： \(u(x,t) = A\sin(kx - \omega t)\)
质点椭圆运动： \(\begin{cases} u_x = -A\sin(kx)\cos(\omega t) \\ u_z = Ak\cos(kx)\sin(\omega t) \end{cases}\)
SMA-柔性基体复合：
变刚度范围： \(K_{composite} = K_{matrix} + \eta \cdot K_{SMA}\)
其中 $\eta$ 是激活系数（0到1）。
压电-SMA混合：压电提供快速响应，SMA提供大位移：
频率分离控制： \(u_{total} = H_{LP}(s) \cdot u_{SMA} + H_{HP}(s) \cdot u_{piezo}\)
其中 $H_{LP}$ 和 $H_{HP}$ 分别是低通和高通滤波器。
NASA的Robonaut 2代表了混合驱动在空间机器人领域的最高水平，其手部设计巧妙地结合了多种驱动技术。
Robonaut 2的手部采用了腱驱动与直驱的混合方案：
手指结构：
驱动分配策略：
关节类型 驱动方式 特点
MCP关节 腱驱动 高扭矩、远程驱动
PIP关节 腱驱动 协调运动
DIP关节 被动弹簧 顺应抓取
拇指旋转 直驱 精确定位
腱路由设计：采用N+1配置（5个关节6根腱）
腱张力到关节力矩映射： \(\tau = R^T f\)
其中 $R$ 是结构矩阵（moment arm matrix）。
张力分配优化：
目标函数（最小化腱张力）： \(\min_f ||f||_2^0\)
约束条件： \(\begin{align} R^T f &= \tau_{desired} \\ f_{min} &\leq f \leq f_{max} \\ \Delta f &\leq \Delta f_{max} \end{align}\)
使用二次规划求解： \(f^* = f_{particular} + N(R^T)\alpha^*\)
其中 $N(R^T)$ 是零空间基，$\alpha^*$ 优化内力。
分层控制架构：
Level 3：任务规划
task_primitive = {
'power_grasp': generate_power_grasp_trajectory(),
'precision_grasp': generate_precision_trajectory(),
'tool_use': generate_tool_manipulation()
}
Level 2：协调控制 \(q_d = IK(x_d, \text{grasp\_type})\)
Level 1：关节控制 \(\tau = K_p(q_d - q) + K_d(\dot{q}_d - \dot{q}) + \tau_{ff}\)
腱张力控制器：
预紧力控制： \(f_{pretension} = \max(f_{min}, \alpha \cdot f_{nominal})\)
动态补偿： \(f_{cmd} = f_{static} + K_{tendon}(\delta_{target} - \delta_{measured})\)
抓取能力：
工作空间分析：
可操作度： \(w = \sqrt{\det(JJ^T)}\)
力操作度： \(w_f = \sqrt{\det(J^{-T}J^{-1})}\)
马尔可夫决策过程（MDP）：
状态空间： \(s = [q, \dot{q}, f_{contact}, \tau_{motor}, p_{object}, R_{object}]\)
动作空间（混合控制）： \(a = [u_{position}, u_{stiffness}, u_{damping}, mode_{switch}]\)
奖励函数： \(r = r_{task} - \lambda_1 E_{consumed} - \lambda_2 ||f_{contact}||_{max} + r_{stable}\)
Actor-Critic with Mode Attention：
class HybridController(nn.Module):
def __init__(self):
# 特征提取
self.encoder = nn.LSTM(state_dim, hidden_dim)
# 模式注意力
self.mode_attention = nn.MultiheadAttention(hidden_dim, num_heads=4)
# Actor网络
self.actor_continuous = nn.Sequential(
nn.Linear(hidden_dim, 256),
nn.ReLU(),
nn.Linear(256, continuous_action_dim)
)
self.actor_discrete = nn.Sequential(
nn.Linear(hidden_dim, 128),
nn.ReLU(),
nn.Linear(128, num_modes)
)
# Critic网络
self.critic = nn.Sequential(
nn.Linear(hidden_dim + action_dim, 256),
nn.ReLU(),
nn.Linear(256, 1)
)
Proximal Policy Optimization (PPO)：
策略更新： \(L^{CLIP}(\theta) = \mathbb{E}_t[\min(r_t(\theta)A_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)A_t)]\)
其中： \(r_t(\theta) = \frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)}\)
领域随机化：
随机化参数：
域适应技术：
特征对齐损失： \(L_{DA} = ||f_{sim} - f_{real}||_2^2 + \lambda_{MMD} \cdot MMD(p_{sim}, p_{real})\)
渐进式训练：
本章系统介绍了混合驱动方法在灵巧手设计中的应用。主要知识点包括：
刚柔混合机构通过变刚度设计实现了精确控制与安全交互的平衡，关键技术包括拮抗驱动、机构变刚度和材料变刚度。
主被动混合系统利用锁定机构和离合器实现能耗优化，通过有限状态机和平滑切换策略协调不同工作模式。
串并联混合结构综合了串联机构的大工作空间和并联机构的高精度特性，需要考虑运动学耦合和动力学建模。
气动-电动混合结合了气动的高功率密度和电动的精确控制，通过分层控制和预测控制处理系统延迟。
智能材料驱动包括SMA、EAP和压电陶瓷，具有结构简单、噪音低的优势，适合微型化应用。
深度强化学习为混合系统提供了智能控制策略，通过端到端学习实现复杂任务的自主执行。
关键公式回顾：
习题6.1 拮抗驱动变刚度系统 设计一个单自由度拮抗驱动系统，两个电机通过弹簧耦合到输出轴。推导输出位置和刚度与两个电机位置的关系。
提示：考虑力平衡和几何约束
习题6.2 串并联工作空间计算 一个2自由度串联机构（臂长 $l_1=0.3m$，$l_2=0.2m$）末端安装了一个Stewart平台（工作空间半径0.05m）。计算总工作空间体积。
提示：使用蒙特卡洛方法或解析积分
习题6.3 气动系统响应时间 气缸直径50mm，行程100mm，供气压力0.6MPa，负载10kg。估算从起始位置到终点的运动时间。
提示：使用简化的恒定加速度模型
习题6.4 变刚度优化设计 设计一个变刚度手指关节，要求：
推导凸轮轮廓方程，使刚度随角度线性变化。
提示：利用瞬时传动比与刚度的关系
习题6.5 混合驱动能耗优化 一个2-DOF机械手需要跟踪周期轨迹，可用气动或电动驱动。给定：
设计最优切换策略，最小化总能耗。
提示：考虑功率需求和切换代价
习题6.6 SMA驱动器温度控制 设计SMA丝驱动的手指，要求在0.5秒内从0°弯曲到90°。给定：
设计加热电流控制律。
提示：考虑热传导方程和相变动力学
习题6.7 深度强化学习模式切换 设计一个RL智能体控制刚柔切换，状态空间包含位置误差、接触力、刚度设置。动作空间为离散模式选择（刚性/柔性/中等）。设计奖励函数，平衡精度和安全性。
提示：考虑分层奖励和约束满足