Hybrid Position/Force Control

• 又稱: hybrid force/position control, hybrid force-position control, hybrid control
• 類別: Control › Force & interaction control
• 標籤: force-control, manipulation, contact-tasks, industrial-robotics, control

一種機器手臂控制方案，把任務空間劃分為控制位置的方向與相互正交、控制力的方向，讓機器人能一邊按壓表面一邊沿著表面移動。

定義

位置/力混合控制（Hybrid position/force control）是一種控制與環境接觸之機器人的方法，它把任務劃分為控制運動的方向與控制接觸力的方向。這個方法由 Raibert 與 Craig 於 1981 年正式提出，建立在 Mason 同年發表的自然限制與人為限制分析之上。

關鍵的觀察在於：接觸會在某些方向限制運動，在其他方向則限制力。當機器人讓工具在桌面上滑動時，它無法往桌子裡面移動，所以在那個方向做位置控制沒有什麼意義，但它可以選擇壓得多用力。在平行於桌面的方向，它可以自由移動，卻無法對著空無一物建立有用的力。因此，混合控制會在接觸處定義一個限制座標系，並用選擇矩陣把每一個軸（平移或旋轉）分配給位置控制器或力控制器。

位置迴路沿自由方向追蹤軌跡，力迴路則通常利用腕部力/扭矩感測器的量測值，沿受限制的方向調節接觸力。兩者的輸出會合成為關節指令。兩個子空間的合成方式很重要：後來的研究顯示，原始的表述對某些旋轉關節機器手臂並不穩定，因而催生出修正後的表述，其中包括以操作空間架構為基礎的版本。

混合控制不同於阻抗控制；後者不區分方向，而是讓機器人表現得像彈簧-阻尼器，以位置精度換取柔順性。混合控制在需要的地方提供明確的力調節，但它需要相當準確的接觸幾何模型；如果表面不在控制器假設的位置，或方向與假設不同，所選的方向就會是錯的。

為何重要

許多工業與服務任務，例如拋光、研磨、擦拭與組裝，都需要機器人在沿著表面移動的同時控制按壓的力道。位置/力混合控制提供了描述這類任務的直接方式，而它的限制座標系與選擇矩陣概念，至今仍影響接觸任務的程式設計方式。

主要應用

• 拋光、研磨與去毛邊
• 表面擦拭與清潔
• 插銷入孔與組裝
• 輪廓追蹤與表面檢測
• 推動或按壓物體的移動式與足式機器手臂

實際應用

建置機器人拋光工作站的團隊，會定義一個與工件表面對齊的任務座標系，把表面法線軸指定為力控制並設定目標接觸力，再把切線方向的軸與各姿態方向指定為沿拋光路徑的位置控制。力迴路讀取安裝在腕部的力/扭矩感測器，通常會經過濾波以降低雜訊；許多工業控制器把這項功能提供為一種力控制模式，由使用者選擇哪些軸採用力控制。工程師會保守地調整力增益，先在真實工件上以較低的目標力測試，並留意邊緣與轉角處是否出現顫振或失去接觸，因為那些地方假設的表面法線會改變。

常見誤解

• 機器人可以在同一方向同時控制位置與力 — 任何一個軸都只能指定兩者之一；另一個由環境決定
• 混合控制與阻抗控制是同一回事 — 混合控制沿選定的軸明確調節力，阻抗控制則是塑造力與運動之間的彈簧-阻尼關係
• 力控制不需要環境模型 — 混合控制必須知道接觸幾何，才能選出正確的軸

誰需要了解

• 從事接觸任務的工業機器人程式設計人員
• 操作與控制工程師
• 研究移動操作與足式操作的研究人員
• 學習力控制的機器人學生

相關技術

• 力/扭矩感測器（Force/Torque Sensor）
• 阻抗控制（Impedance Control）
• 導納控制（Admittance Control）
• 操作空間控制（Operational Space Control）
• 選擇矩陣（Selection Matrix）
• 柔順控制（Compliance Control）

相關術語

• Impedance Control
• Force/Torque Sensor
• Torque Control

相關專案

• LeRobot: HuggingFace ML library for real-world robotics in PyTorch
• Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
• NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
• OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
• Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
• OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments

影片

• Modern Robotics, Chapter 11.6: Hybrid Motion-Force Control: Northwestern Robotics