系列文章目录

---

---

前言

• 教程地址

---

一、具身智能概述？

1.1 什么是具身智能

具身智能 Embodied AI，指的是能够通过物理身体(如机器人、自动驾驶汽车等)在真实世界中进行感知、交互和学习的智能系统。

• 它强调智能体必须拥有一个身体 body，并通过这个身体与环境互动，从而获得对世界更深层次、更符合物理规律的理解。
• 具身智能 = 智能的大脑 + 行动的身体
• 但这一切不仅仅是给AI装上轮子和手臂这么简单，这背后是深刻的哲学与技术变革。通用认为，真正的智能是在与环境的持续互动和反馈中涌现的，而非凭空产生。就像婴儿，通过抓握、爬行、摔倒和探索来认识世界。

1.2 关键三要素

1.2.1 身体 Body

• 智能体的物理形态，包括各种传感器：如摄像头、激光雷达、触觉传感器，用于感知；执行器：如电机、机械臂、轮子，用于行动。

1.2.2 大脑 Brain

• 即智能算法的核心，负责处理来自传感器的数据，进行思考、决策，并向执行器发出指令。
• 通常涉及到深度学习、强化学习、大语言模型等AI技术。

1.2.3 环境 Environment

• 智能体所处的物理世界，是智能体学习和实践的舞台，充满着不确定性、动态变化和复杂的物理规律。

1.3 发展脉络

1.3.1 第一阶段：蹒跚学步的先驱 20世纪中叶-20世纪末

• 理论萌芽：控制论 Cybernetics 创始人诺伯特·维纳等人最早提出了关于机器与环境交互的构想。
• 标志性项目：1966-1972，Stanford 研制的世界第一台真正意义上的移动机器人 Shakey。

1.3.2 第二阶段：深度学习的赋能 21世纪初-2020年

• 技术突破：随着算力的提升和深度学习的算法成熟，Computer Vision 让机器人拥有了眼睛。同时，Reinforcement Learning 让机器人可以通过试错来学习复杂技能，而无需人类编写所有规则。
• 明星玩家：Boston Dynamics 的 Atlas 机器人。

1.3.3 第三阶段： 大模型开启新纪元 2021年-至今

• 范式转移：可以将 LLM 作为具身智能的“大脑”，负责理解高层次的指令，并将其分解为机器人可以执行的具体步骤。
• 代表性突破：
  • 谷歌的 RT-2 模型
  • 特斯拉的 Optimus 机器人
  • Figure AI 与 OpenAI 的合作

1.4 广阔的应用领域

1.4.1 工业制造和物流

• 这是具身智能最先落地、也是最成熟的领域。
• 从高度自动化的汽车生产线上的机械臂，到亚马逊仓库里高效分拣包裹的Kiva机器人等等。

1.4.2 家庭服务与陪伴

• 想象一下，未来家中的机器人不仅能扫地、拖地，还能为你整理房间、烹饪、照顾宠物，甚至成为老人的贴心伴侣和孩子的玩伴。

1.4.3 医疗健康与康复

• 手术机器人： 以“达芬奇”手术机器人为代表，它们可以辅助医生进行更精准、微创的手术。
• 康复机器人： 帮助行动不便的患者进行康复训练。
• 智能假肢： 能够理解佩戴者意图，实现更自然、灵活的动作。

1.4.4 科学探索与特种作业

• 在人类难以企及或极端危险的环境中，具身智能将成为我们的“化身”。
• 深空探索： 如NASA的“毅力号”火星车，在火星表面自主探索、采样和分析。
• 深海勘探： 自主水下航行器（AUV）探索神秘的海底世界。
• 灾难救援： 在地震、火灾等灾后现场，机器人可以代替救援人员进入危险区域进行搜救。

1.5 面临的挑战与未来展望

1.5.1 核心挑战

• “Sim-to-Real”的鸿沟： 在模拟器中训练好的模型，转移到现实世界时往往会“水土不服”，因为现实世界充满了模拟器无法穷尽的细节和意外。
• 泛化能力： 如何让机器人在面对从未见过的物体和环境时，依然能做出正确的决策和行动，这是实现“通用”的关键。
• 数据稀缺： 与互联网上取之不尽的文本和图片数据不同，高质量的机器人交互数据既昂贵又难以获取。
• 安全性与伦理： 一个拥有强大物理能力的AI系统，如何确保其行为的安全、可控和符合人类伦理，是一个必须严肃对待的问题。

1.5.2 未来展望

• 随着大模型、新材料、新传感器技术的不断融合，可以预见：

1. 更强的通用性： 未来的机器人将不再是“专才”，而是能像人一样学习和适应多种任务的“通才”。
2. 更自然的人机交互： 我们可以通过自然语言、手势甚至眼神与机器人协作，它们将成为我们生活中无缝衔接的伙伴。
3. 智能的物理涌现： 最终，具身智能的目标是让智能体在与物理世界的复杂互动中，自发地学习和涌现出我们甚至没有预设过的、更高级的智能形式。

---

二、 机器人学基础：运动学、动力学与控制

• 大量内容参考：# 机器人学基础：运动学、动力学与控制, 作者：BotGo

在探索具身智能的奥秘时，我们如同在破解一个精密的机械谜题。而机器人学正是这谜题的钥匙。它不仅是设计、制造、控制机器人的科学，更是理解智能体如何与物理世界交互的基石。

• 在机器人学的浩瀚领域中，运动学、动力学与控制，无疑是三大核心支柱，它们共同构建了机器人行为的逻辑框架。

2.1 运动学

Kinematics，机器人的姿态。

• 与动力学不同，运动学专注于几何关系，忽略了力和力矩及机体质量等因素的影响，研究机器人位姿、关节与末端执行器 的 速度和加速度。

运动学是机器人控制、路径规划和人机交互等领域的基础。

• 机器人路径规划： 生成满足末端位姿要求的关节轨迹，让机器人按照预定的路径运动。
• 轨迹生成： 根据机器人的运动学模型，生成平滑的关节轨迹，避免机器人运动过程中的突变。
• 机器人控制： 根据目标末端位姿，计算关节角度，驱动机器人运动。

2.1.1 机器人的位姿描述

机器人的位姿，主要指机器人手部在空间的位置和姿态(方向)。

• 有时也会用到其它各个活动杆件在空间的位置和姿态。

2.1.2 正向运动学: 从关节角度到末段位姿的探索

正向运动学是运动学的基石。

• 由机械臂的各关节的角度求解先端位置，即针对机器人运动学问题的求解，称为 运动学方程的正解。
• 运动学方程的正解是唯一的。

1. DH Denavit-Hartenberg 参数：构建机器人运动学模型的桥梁

• 一种标准化的方法，为了系统的描述机器人连杆之间的相对位置和姿态。
• 通过四个参数来定义每个连杆的坐标系：
  • 连杆长度 $a_i$ ：沿 $x_i$ 轴，从 $z_{i-1}$ 轴到 $z_i$ 的距离；
  • 连杆扭角 ${\alpha }_i$： 绕 $x_i$ 轴，从 $z_{i-1}$ 轴到 $z_{i-1}$ 轴的旋转角度；
  • 关节偏移 $d_i$ ： 沿 $z_{i-1}$ 轴，从 $x_{i-1}$ 轴到 $x_i$ 轴的距离；
  • 关节角度 ${\theta }_i$： 绕 $z_{i-1}$ 轴，从 $x_{i-1}$ 轴到 $x_i$ 轴的旋转角度；

2.1.3 逆向运动学：从末端位姿到关节角度的求解

逆向运动学是正向运动学的逆问题。

• 从机械臂的先端位置开始求各关节的角度，即针对机器人运动学逆问题的求解，称为运动学方程的逆解。
• 机器人运动学方程的逆解有无解、唯一解、多解 三种情况。

2.2 动力学

Dynamics，机器人的力量；

• 动力学，研究惯性、力矩、功率等参数，如何决定机器人的运动能力。

应用于机器人力控制、运动控制、仿真等领域。

• 机器人力控制
  • 力控制使机器人能够感知和控制与环境的相互作用力；
  • 通过动力学模型计算机器人所需的关节力矩；
• 运动控制
  • 使机器人能够按照期望的轨迹运动；
  • 通过动力学模型设计运动控制器；
• 仿真
  • 可以帮助验证机器人设计和控制策略的有效性；
  • 通过动力学仿真，可以预测机器人在不同工况下的运动行为，优化机器人设计和控制策略；

2.3 控制

Control，机器人的大脑。

• 通过设计控制策略和算法，使机器人能够感知环境、作出决策并执行动作。

控制在机器人轨迹跟踪、力反馈控制、人机协作等领域广泛应用。

• 机器人轨迹跟踪
  • 使机器人能够按照期望的轨迹运动；
  • 需要设计轨迹跟踪控制器；
• 力反馈控制
  • 使机器人能够根据环境的反馈力，调整自身的运动；
• 人机协作
  • 需要设计人机协作控制器

2.3.1 控制的核心概念

控制的本质，是让机器人按照预定的目标运行。

1. 反馈控制 Feedback Control

   • 通过传感器获得机器人的实际状态，与期望状态进行比较，产生误差信号；
   • 控制器根据误差信号调整控制输入，从而使机器人的实际状态逼近期望状态；

2. 前馈控制 Feedforward Control

   • 根据预先建立的机器人模型和期望轨迹，计算控制输入；
   • 前馈控制可以提前预测并补偿系统误差，提高控制精度；

3. 稳定性 Stability

   • 一个控制系统设计的重要指标，是指系统在受到扰动后，能够恢复到平衡状态的能力。

4. 鲁棒性 Robustness

   • 一个实际应用中控制系统的重要特性，指系统在参数变化、外部扰动等情况下，仍能保持性能的能力。

2.3.2 控制关键内容

2.3.2.1 PID 控制

PID 控制算法是工业自动化中最常用的控制算法之一。

• PID 通过计算当前输出与期望输出之间的误差，并根据该误差的比例 P、积分 I 和 微分 D 来调整控制输入。
• 比例 P：直接对误差进行比例放大，可以迅速减少误差，但可能导致系统不稳定。
• 积分 I：对误差进行积分，可以消除系统的静态误差，但可能导致系统响应变慢。
• 微分 D：对误差的导数进行预测，可以预测误差的变化趋势，从而可以提前进行调整。

$$u(t)=K_p\cdot e(t)+K_i{\int }_0^{t}e(\tau )d\tau +K_d\cdot \frac{de(t)}{dt}$$