人形机器人必须先感知到自身正在经历什么，才能有效地控制其身体。它必须持续监测关节位置、四肢各处的受力情况、足底压力以及抓握稳定性，还要能够识别过热、异常振动、机械磨损以及其他可能影响性能或安全的情况。
“看见”世界只是物理智能的一部分。人形机器人必须先感知到自身正在经历什么，才能有效地控制其身体。它必须持续监测关节位置、四肢各处的受力、足底压力以及抓握稳定性，还要能够识别过热、异常振动、机械磨损以及其他可能影响性能或安全的情况。要移动、操作物体并安全交互，人形机器人还必须感知自身内部正在发生的一切。
人形机器人理解自身正在经历什么的能力，可被称为物理自我感知。但它并非意识，也非类人的内省，而是机器人维持可靠且持续更新的自身机械状态模型的能力。
外部感知或可帮助机器人识别物体或选择目的地，却无法揭示机器人身体内部发生的所有情况。摄像头无法直接判断腕部是否过载、指尖是否正在失去抓握力，或齿轮箱是否正在产生额外摩擦，因为这些情况必须在物理源头处进行测量。
实现这种内部感知所需的许多传感器都会产生模拟信号，其输出可能是微小的差分电压、电阻变化、桥接测量值，或经过调理的电压与电流信号。等模拟前端 (AFE) 提供了一条灵活的路径，可将这些物理测量值转换为准确的数字信息，供本地控制器和更高层级的处理器使用。
NAFEB43388具备8路可配置模拟输入、一个24位Σ-Δ模数转换器 (ADC)、一个可编程增益放大器、集成电压与电流激励以及诊断功能，能够采集来自桥式传感器、电阻温度检测器 (RTD)、热电偶、电阻式传感器以及电压或电流输出的信号。凭借这一通用性特性，人形机器人设计人员能够整合力、位置、温度与状态监测功能，同时保持分布式传感器采集所需的精度与灵活性。
物理自我感知使人形机器人能够在抓取物体时测量力、压力与接触状态。
自我感知始于接触
双手、双脚及其他接触表面，是人形机器人与物理世界进行交互的部位。接触传感使机器人不仅能够判断是否触碰到了物体，还能够掌握这一交互正如何演变。
多种模拟传感器技术可提供如下信息：
力敏电阻
压阻式压力元件
应变片电桥
压电振动元件
模拟压力变送器
电阻式触觉阵列
力敏电阻与压阻式元件适用于需要检测整个表面压力分布的场景。它们可分布在指尖、手掌、脚底、前臂或柔性防护罩中。其电阻会随所施加的负载而变化，使具备适当激励与测量能力的AFE能够将物理压力转换为数字值。
应变片结构可实现更精确的力测量。指尖或抓握表面下方的机械结构会在负载作用下产生微小形变。粘贴于该结构上的应变片将形变转换为电桥电压的微小变化。该信号幅度通常较低，因而需要低噪声放大、高分辨率转换、稳定的激励与校准。
将压力测量与应变测量相结合，可揭示接触位置、所施加的力以及负载分布。相比简单的接触开关，这些信息能够实现更为精确的力控制与物体操作。
在物体坠落之前检测滑动
稳定的抓握是一种动态过程。随着机器人移动、物体重心转移或接触表面发生变化，所需的抓握力也会随之改变。若等到物体已明显移动才作出反应，可能为时已晚。
微滑移会在振动、压力分布与切向负载方面引起细微变化。人形机器人手部可通过融合多种模拟测量值来检测这些转变。例如，压电元件可捕捉高频振动，而附近的压力传感器则显示接触力的重新分布。这些信号可表明手指与物体之间的接触界面正趋于不稳定。
在这种情况下，响应应尽可能在本地完成：
触觉或振动传感器响应接触力、压力分布或振动变化，产生模拟信号
恩智浦模拟前端 (NAFE) 信号链将模拟事件转换为可用的测量数据
附近的处理器将该事件归类为滑动、冲击或压力重新分布
手部控制器调整手指力或位置
系统确认抓握已恢复稳定
这种本地闭环减少了对中央处理器的依赖，并避免了不必要的延迟。更高层的控制不需要每一个原始触觉样本，而可能只需了解物体是否已抓稳、抓握力是否已调整，或抓握是否无法稳定。
采样需求会影响AFE的选择。缓慢变化的压力信号可能更注重分辨率与能效，而振动与微滑移检测则可能需要更高的数据速率。因此，混合架构可针对静态负载测量与动态接触事件采用不同的NAFE配置。
对人形机器人进行持续负载监测，可提升有效载荷处理能力、稳定性与交互安全性。
测量全身各处的力与扭矩
物理自我感知必须延伸至双手之外。力会经由手腕、肘部、肩部、躯干、膝盖、脚踝与脚部传递。测量这些负载，使控制系统能够理解所下达的运动指令如何转化为机械作用。
以惠斯通电桥形式布置的应变片非常适合此项任务。它们可集成到位于关键部位、经过刻意设计的柔性机械元件中，包括：
手腕与工具接口
手指与夹爪机构
关节输出结构
脚踝组件
足板
手臂与腿部连杆
躯干负载路径
测得的形变可校准为力或扭矩。例如，可对腕部结构进行仪器化改造，以估算力和力矩的多个分量。这使机器人能够调节工具压力、限制交互力、估算有效载荷并检测意外接触。
关节附近的扭矩传感还可提供关于执行器行为的独立视角。若控制器下达了特定扭矩指令，但测得的结构响应存在显著差异，系统便可排查可能的原因，例如障碍物、机械背隙、传动系统摩擦或传感器误差。
由于应变片输出较小，信号链质量直接影响机器人所能感知的内容。偏移、漂移、噪声、激励稳定性与温度效应均会影响最终测量结果。可配置的NAFE通过可编程增益与高分辨率转换来适应不同的电桥灵敏度，同时支持对整个信号路径进行校准。
模拟位置传感器构建本体感觉
本体感觉是物理自我感知的组成部分，指机器人对自身关节位置、肢体构型与内部运动的认知，涵盖关节角度、线性位移、手指位置以及柔性机构内部的形变。
尽管数字编码器在人形机器人关节中应用广泛，但以下几种模拟位置技术可对其形成补充，在某些情形下甚至可取而代之：
旋转式与线性电位计
模拟磁角度传感器
经调理的电感式位移传感器
电涡流位移传感器
弯曲传感器
经调理的线性可变差动变压器 (LVDT)
上述器件可产生适于通过NAFE采集的电压或电阻信号。在手指这类紧凑机构中，弯曲传感器或磁性传感器可直接反馈关节构型。在较大关节中，模拟传感器则可作为独立辅助测量手段，与主编码器并行工作。
采用多样化的传感原理有助于提升故障检测能力。数字电机编码器可能报告电机轴已到达指令位置，而关节输出端的模拟传感器却显示机械柔性或传动系统损坏导致肢体未能到达预期角度。将两个测量结果加以比对，便可发现任一传感器单独使用时所难以察觉的问题。
模拟位置测量还可与力、扭矩及电机电流进行比较。若位置保持不变，而电流与测得的力持续上升，则关节可能正顶住某一障碍物。若下达运动指令后电机发生转动，但输出位移甚微，则传动系统可能存在过大背隙或机械故障。
以电机电流衡量作用力
电机电流为人形机器人的物理状态提供了另一视角。在多种类型的执行器中，电流与所产生的扭矩相关，因此测量电流有助于估算作用力、识别接触情况并监测传动系统状态。
电机电流可通过分流电阻、霍尔效应电流传感器、电流互感器或隔离式测量级进行测量。随后借助NAFE的可编程增益放大器 (PGA) 与可配置输入架构，对所得到的模拟电压或电流进行调理，使其与测量范围相匹配。
通过电机电流测量可获取的有用信息包括：
执行器负载
堵转或障碍物检测
意外接触
机械摩擦增大
重复性负载变化
传动系统退化
功率需求过大
电流本身并不构成完整的扭矩测量。齿轮效率、加速度、温度、润滑与摩擦均会影响电流与输出力之间的关系。其最大价值在于将电流与关节位置、结构应变及温度相结合。
例如，在重复性运动中电流逐渐升高，可能表明轴承磨损或齿轮箱摩擦增大。若结构扭矩保持不变，则额外的电功耗很可能消耗于内部，而非传递至负载。
结合传感器数据，可构建关于机器人物理状态与行为的可信模型。
通过足部与脚踝负载了解平衡
行走要求人形机器人时刻掌握自身重量的分布情况。嵌入足部的压力传感器可识别足跟触地、脚趾加载、压力中心移动以及支撑相与非支撑相之间的转换。
电阻式压力元件可提供空间压力分布图，而称重传感器或应变片结构则可更精确地测量总受力。脚踝应变传感还可补充关于弯矩与侧向负载的信息。
这些测量使控制器能够回答以下关键问题：
足部是否已稳定接触？
测得的支撑力是否与预期负载相符？重量是否正在向足部边缘转移？
机器人是否踩到了不平整或柔软的表面？
测得的负载是否与规划的步态相位一致？
是否有一条腿承受了超出预期的体重比例？
足部力测量尤具价值，因为它描述了机器人与地面之间实际的机械边界。即便下达的关节位置看似正确，它也能揭示滑动、部分接触或不稳定加载等问题。
监测温度与机械状态
人形机器人还需感知自身的内部健康状况。电机、齿轮箱、轴承、电力电子设备与结构组件均在不断变化的负载下运行，其温度与振动模式可在问题通过运动显现之前就提前发现异常。
与NAFE兼容的温度测量技术包括：
RTD
正温度系数与负温度系数热敏电阻 (分别为PTC和NTC)
热电偶
模拟输出温度传感器
基于电阻的传感器需要受控激励与精确的电阻测量。热电偶产生的电压很小，需进行放大并补偿冷端效应。所选方案取决于温度范围、精度、安装位置、响应时间与成本。NAFE的可配置架构支持多种温度传感器类型，使设计人员无需更换底层测量平台，即可适配RTD、热敏电阻、热电偶与模拟输出温度传感器。
热信息既有助于保护系统，也有助于提升测量精度。它可防止执行器超出安全工作温度，同时也可对其他输出随温度变化的传感器进行补偿。称重传感器、应变片、电阻式压力传感器与机械传动装置均可能表现出温度相关行为。
振动传感为状态监测增添了另一维度。压电传感器与模拟加速度传感器可检测冲击、齿轮啮合事件、轴承缺陷、结构共振及松动现象。通过重复测量，可为每个执行器建立基线特征，此后该特征的变化便可用来识别正在发展的故障。
人形机器人可利用这些信息降低关节速度，限制负载，安排维护，或避免可能加速损坏的运动。
从传感器数据到可信的身体模型
物理自我感知并非源于不加选择地增加传感器数量，而是源于产生准确、时间对齐、可诊断且彼此一致的测量数据。
每个传感通道均应支持适当的检查，例如：
启动偏移测量
端到端校准
开路与短路检测
输入饱和检测
激励监测
温度补偿
范围与变化率检查
跨传感器可信度测试
时间戳标记
陈旧或缺失数据检测
跨传感器比对尤为重要，如下列示例所示：
腕部负载应与关节扭矩及预期有效载荷相符
足部压力应与当前步态相位相符
电机电流应与测得的加速度及外部力相匹配
触觉滑动事件应对应于压力、振动或手指位置的变化
当信号出现不一致时，控制器应避免将任何单一测量结果视为不容置疑。相反，其可降低运行限值，重新校准某一通道，切换至冗余传感器，或进入受控安全状态。
基于NAFEB43388等器件构建的分布式测量节点，有助于组织这一架构。无需将每一路底层模拟信号均路由至单一中央板上，而是可将测量电子设备布置在遍布手部、手腕、脚踝、足部或关节的传感器附近。更短的模拟连接可降低对噪声的敏感度，而本地处理则可将原始样本转换为校准值、健康指标与时间关键型事件。
物理智能的基础
人形机器人最重要的传感系统，或许并非用于观测周围环境的系统，而可能是告知机器其自身内部状态变化的网络。例如：
压力传感器用于检测接触
应变片测量力与扭矩
模拟位置传感器揭示关节构型
电流传感器指示执行器作用力
温度传感器确定热裕度
振动传感器识别滑动、冲击及机械性能退化
NAFEB43388支持可配置模拟输入、高精度转换、激励、增益控制、校准与诊断功能，为上述众多传感器提供高度可配置的测量平台。这使人形机器人的不同部位即便物理测量参数各异，仍能形成统一的数据采集架构。通过在不同类型传感器间采用统一的采集架构，开发人员可简化系统设计，同时提供灵巧操作、平衡控制、状态监测与安全人机交互所需的准确、可靠且响应迅速的测量数据。
当这些信号被整合时，机器人便获得了一个持续更新的自身构型、负载、接触与状态模型。正是这种内在感知，使机器人能够调节力度，从干扰中恢复，识别故障，并安全地与人和物体进行交互。
总而言之，物理智能始于对自身状态的认知，而对人形机器人而言，这种认知在很大程度上始于逐一对模拟信号进行测量，从而获取各种物理状态信息。
全部评论