胖达运控工作总结视频

年度工作总结 王晓波

接下来，向大家汇报我本年度的主要工作。过去一年，我主要负责陪伴机器人的运动控制系统研发，围绕“稳定、流畅、智能”的目标，在理论建模、架构设计、算法实现、调试优化到系统集成与前沿探索等方面开展完成了一系列工作。现将主要情况汇报如下：

一、筑基固本：完成运动控制系统的建模与仿真验证

完成了陪伴机器人非线性动力学建模，并通过线性化处理得到了适用于控制器设计的线性模型与状态空间方程。在此基础上，于 Simulink 环境中设计了运动控制算法并搭建了完整的运动控制仿真系统，对机器人的位置、速度及姿态控制进行了系统性仿真。通过对大量仿真数据的分析，完成了核心控制参数的初步选取与验证，为后续的样机开发奠定了一定的理论基础，降低了试错成本与研发风险。

二、架构先行：设计与实现全链路、高实时的运控系统架构并完成整个运控系统程序、算法开发

为实现机器人在复杂家庭环境中的动态平衡与精准运动，设计并搭建了一套从高层指令解析到底层电机力矩伺服的全链路运动控制系统架构。

在顶层（主控），将其定位为运动的规划与决策层，负责将复杂的陪伴运动任务解算为头部、手部的关节轨迹以及机器人本体的运动指令。

在核心层（运控），构建了高实时执行单元。它接收主控指令，深度融合 IMU、编码器等多源传感器信息进行实时状态估计，并以毫秒级周期计算维持平衡与跟踪运动所需的精确力矩指令，形成了响应迅捷的闭环控制。

除此之外，在运控板设计了基于时间片轮询调度的可靠软件架构，将运动控制算法进行代码实现，最终完成了运控板与主控板的全部运控相关程序开发与协同优化，确保了运控系统功能的落地。

三、精益求精：通过多轮调试与算法迭代，实现可靠运动性能

架构算法程序落地后，通过在多代样机及最终产品上进行成上千次的测试，使机器人具备了原地站立、平稳移动、灵活转向、姿态调整以及基础越障等运动能力。并且对头部扰动、期望速度突变以及人为推拉有一定的抗干扰性。

持续不断进行了算法迭代与策略优化：

• 引入头部扰动补偿算法，有效抑制了机器人上半身动作时对底盘姿态的干扰，减少了不必要的位移。
• 设计期望速度滤波算法，极大提升了抗扰动能力，确保了速度控制指令突变的平稳过渡，杜绝了因此导致的失衡风险。
• 系统性优化了运控核心参数与策略，最终将机器人的稳态控制精度进行了提升：俯仰角误差 < 1°，偏航角误差 < 2°，速度跟踪误差 < 0.03 m/s，各项关键误差相比优化前平均降低 10% 以上。
• 针对样机和成品调试联调中遇到的问题，积极参与配合查找问题并解决相关问题，提高系统的稳定性。

四、融合赋能：完成跨模块对接与关键智能功能开发

与包括头手腿动作库、触摸交互、行为系统及定位导航等进行对接与联调，确保机器人作为整体运行的协调一致。

此外，开发并优化了多项关键智能功能：

• 抱起 / 放下 / 失速检测：通过多模态传感器融合与“快速触发-高置信确认”的分层决策状态机，实现了精准、安全、拟人化的状态识别与自主响应，算法准确率稳定在 95% 以上。
• 自动回充功能：通过对轮腿运动的协同规划与控制，使机器人能自主完成寻轨、趋近、精密对准与连接充电的全过程，基于红外传感器的回充成功率达到 98% 以上。

五、支撑开发：构建高效的 ROS 节点与低成本 IMU 方案

为保障运控系统稳定运行，完成了与运控相关的 ROS 节点开发：

• 运控通讯节点：采用“多线程 + 队列 + 定时器”架构，制定了主运控高效通信协议，具备并发处理能力与实时性，并完成了主控与运控中的数据解析与数据消息传递。
• 全身运动融合节点：实现了头、手、髋的全身协同控制，满足容错性、线程安全、状态一致性设计要求。
• 头部 IMU 节点：完成了从数据采集、滤波、标定到姿态解算的全流程开发，并将姿态数据发布供其他节点使用。

同时，为降本增效，完成了低成本 IMU 方案的设计与开发。通过对市场的调研，选定 TDK 系列芯片，现将头部 IMU 成本控制在约 10 元，身体 IMU 约 40 元，并完成了全部的传感器标定、数据融合算法与稳定性测试，目前低成本头部 IMU 已成功应用于一代产品。

六、前沿探索：开展基于强化学习的运动控制预研

为探索强化学习在机器人运动控制中的应用前景并储备关键算法能力，开展了基于强化学习的运动控制算法预研。选定了 NVIDIA Isaac Gym + Legged Gym 的高性能仿真训练技术栈，在环境中复现了机器人动力学模型。通过设计合理的奖励函数与实施域随机化，采用 PPO 算法训练出了能在仿真中保持动态自平衡的初步策略模型，并进行 sim2sim 仿真。

此工作也已凝练成一项发明专利——《一种基于自动化课程强化学习的双轮腿机器人运动控制方法及系统》，并已获受理。

我的工作总结到此结束，谢谢大家！