误差不是敌人：机器人控制技术在接触任务里的边界设计

机械臂在自由空间里的跟踪误差，常被当作控制器好坏的主要证据。到了接触任务，这个证据突然失效。工件表面、夹具、人的手臂——环境刚度一进来，位置误差就换成了力。控制器此时要回答的并非“跟得多准”，而是“什么时候让、让多少、让多快”。机器人控制技术的难点，大半藏在这个交换里。

接触一瞬间，误差换了单位

自由空间控制可以写成轨迹跟踪问题：给定关节或末端轨迹，用PD、计算力矩、逆动力学前馈把误差压小。接触后，末端被约束，位置不再完全可控。继续压位置误差，力会迅速上升。阻抗控制把末端看成质量—弹簧—阻尼系统，通过调节刚度、阻尼和惯性，让机器人对外展现可控的柔顺性；导纳控制则测量外力，反解位置修正。两者对偶，工程上常混用，但实现细节不同：阻抗控制直接关力矩或电流环，导纳控制更依赖力传感带宽和位置环响应。

参数不是越大越好。环境刚度未知时，目标刚度设得过高，接触闭环的相位裕度会被吃掉；设得过低，跟踪和抗扰都变差。接触稳定性还受采样周期、滤波延迟、关节摩擦影响。一个常见反例是：仿真里调好的刚度，到了铸铁件上出现高频颤振。原因不神秘——环境刚度远高于模型假设，力反馈延迟又把相位往回推。这类失败在论文里常被平均掉，说实话，现场很麻烦。

预测与学习：谁做粗活，谁做细活

模型预测控制在约束处理上有优势。滚动优化可以把关节限位、力矩上限、接触力上限写进约束，提前规避。问题在实时性：非线性MPC的求解时间随预测步长和约束数量上升，控制周期却被压到毫秒级。可行路径是分层——上层用MPC做轨迹和约束规划，下层用力位混合或阻抗控制做高频执行。分层不是万能药，接口处的参考轨迹若不平滑，下层仍会抖。另一个限制是模型失配：接触刚度、摩擦、传动间隙写不准，预测再好也会偏。

学习控制常被拿来补残差。用演示数据或仿真数据训练策略，输出前馈力矩或参数修正。它在重复性任务里有价值，比如同型号工件的插装。边界也清楚：分布外工件的几何误差、表面状态变化，会让策略输出越界。工程上需要安全过滤器——把学习输出限制在力矩和速度的安全集内，越界就回退到模型控制。没有这层过滤器，学习控制不适合直接上接触任务。

时延、标定与那些不肯消失的暗账

控制周期不是写在规格书上的那个数。传感器采样、总线传输、滤波、计算、执行器响应，各段延迟叠加，还带抖动。接触任务对抖动敏感。同样的平均延迟，抖动大的闭环更容易失稳。事件触发控制能降总线负载，但触发阈值设计不好，会把连续动态切成碎片。实时操作系统、时间同步、优先级反转，这些底层问题在演示视频里看不见，在产线上会决定节拍。

标定是另一笔暗账。力传感器零漂、关节力矩传感器温漂、工具重心参数误差，都会在接触时变成力偏差。六维力传感器装在手爪后，工具重力补偿没做好，空载时就有几牛的残差；到了薄壁件装配，这几牛足够把零件压变形。标定不是一次性的实验室动作，温度变化、更换工具、碰撞后都要复核。编码器分辨率、雅可比矩阵奇异、冗余自由度零空间分配，也会在接近奇异位形时放大误差。控制器的鲁棒性，很多时候是在这些不漂亮的细节里被消耗掉的。

验证不是演示：边界条件决定可用性

验证接触控制，不能只看一段平滑的力曲线。要给出条件：环境刚度范围、工件公差、初始位姿偏差、传感器噪声水平、控制周期与抖动分布。硬件在环测试能把执行器和传感器放进闭环，比纯仿真更接近现场。失效安全要单独验证：急停、力超限、通信中断、看门狗复位，各自由谁接管，接管后关节如何制动。人机协作场景还要看功率和力限制、速度监控、安全距离，这些属于功能安全范畴，不是控制算法能单独兜住的。

趋势上，机器人控制技术正在从单一跟踪转向约束管理：把接触力、安全边界、任务节拍一起放进优化或分层框架。边缘算力提升让部分MPC下放，学习控制则更多扮演残差补偿而非主控。风险也跟着来——模型、数据、安全过滤器之间的责任边界若不清楚，故障归因会变得困难。可用的系统通常不追求把每个指标推到极限，而是让边界可解释、可测试、可回退。

所以，讨论机器人控制技术时，我更愿意先问：它允许在哪个接触条件下失效，失效后如何退回安全状态。这个问题答不清楚，轨迹再漂亮也只是演示。