发表点个人愚见：首先，应当了解到：机器人控制（RobotControl）的目的是通过人工引入控制改善原有系统的特性，使新的系统：1）跟踪性能（TrackingPerformance）更好，2）抗扰动性（DiturbanceRejection）更强，3）稳健性（Robustness）更优，e.t.c.机器人控制大致可以分为硬件和算法两个大方向：机器人控制硬件基本控制结构：当年，N. Wiener对神经科学很感兴趣，发现其实机器的反馈控制和人的运动控制机理是相似的。控制工程中的：传感器（各种位置、速度、力传感器等）、控制器（各种处理器以及控制算法）和驱动器（电机、液压、气动、记忆合金等）三部分，分别对应于人的感受器（receptor）（例如：视觉、听觉、味觉、嗅觉、触觉等外感受器）、神经系统（中枢和周围神经系统）和效应器（effector）（肌肉、骨骼），只不过人的结构更加复杂。层次控制体系：了解了控制的基本结构，剩下的事情就是设计控制系统。如今，大家设计控制系统的方法还是比较统一的，基本都可以归结为5层的层次体系：1）主机（Host），2）运动控制器（Motion Controller），3）伺服驱动器（Servo Driver），4）电机（Motor），5）机械本体（Mechanism ）。主机：主要完成人机交互（操作员控制或者调试机器），高级运算（机器人运动规划等）。由于需要高等运算功能，这部分算法通常是基于操作系统的，硬件载体用通用PC即可。运动控制器：主要用于改善机器人动力学（Robot Dynamics）。机器人的机械本体自身不具备跟踪轨迹的能力，需要外加控制来改善。由于需要大量的实时运算，这部分通常是基于实时操作系统，比如QNX等，硬件载体可以用ARM。比如，工业界的工业机器人主要使用运动反馈（Motion Feedback），也即将驱动器配置为位置控制或者速度控制模式，此时运动控制器的主要用于补偿传动系统非线性性，例如：由于齿轮间隙、微小弹性变形导致的末端偏移。伺服驱动器：主要用于改善电机动力学（Motor Dynamics）。由于电机本身物理特性并不具备良好的位置、速度和力矩跟踪能力，因此需要依靠控制来改善。这部分需要更高的实时性能，因为电机控制中需要us级定时，所以可以使用高性能DSP。比如，直流电机的速度正比于反向电动势，力矩正比于电流，而没有物理量能够直接控制位置，此时需要外加控制器。电机：充当执行器，将电信号转化为机械运动。机械本体：被控制的终极对象。 算法的编写：鉴于如今几乎没人再用Op-Amp搭建模拟计算机的事实，可以说算法就是个编程问题。基本的编程语言能力，比如MATLAB、C、C++是必须的。设计好算法之后，还需面对另外几个问题：离散化问题（Discretization）：连续算法的离散化是必要的，因为如今计算机都是数字系统。对于线性系统，比如电机控制，方法当然就是从s域（传递函数）到z域（Z变换）再到t域（差分方程）的变换，非线性的就得研究微分方程的各种数值方法了。混合控制问题（Hybrid Control）：几乎当前所有的机器人控制系统都不仅有一个控制模式，比如：回初始位置、运动控制模式、人工试教模式等等，每个模式需要特殊的控制算法。单个系统存在多个控制器时被称为混合控制系统，混合控制系统常常使用有限状态机（Finite State Machine，FSM）建模，状态机的切换需注意一些问题，比如芝诺问题。通信问题（Communication）：通常机器人系统都包含几十个，甚至上百个传感器以及几个到十几个驱动器，通信时常是个头疼的问题。问题的复杂性源于：通信对象多（并发问题），顺序需要协调（时序问题），通信的速率需要兼顾（阻塞问题）。个人倾向于使用基于“事件驱动模型”+“有限状态机模型”的混合模型来处理此类问题。机器人控制理论：控制方法千奇百怪，这里仅举机器人臂的两个比较经典而常用的方法：混合力位控制和阻抗控制。混合力/位控制（Hybrid Force/Position Control）是Mark Raibert和John Craig于70s末在JPL的工作成果，当时他们是在Stanford臂上做的实验，研究例如装配等任务时的力和位置同时控制的情况。阻抗控制（Impedance Control）是N.Hogan的工作成果。维纳晚年，对人控制机器臂很感兴趣。后来，他组织了MIT的Robert Mann，Stephen Jacobsen等一伙人开发了基于肌肉电信号控制的假肢臂，叫Boston Elbow。后来，Hogan继续Mann的工作，他觉得假肢是给人用的，不应当和工业机器人一样具有高的刚度，而应该具有柔性，所以后来引入了阻抗。其他控制。各类机器人都有其特殊的控制问题，对于公共的机器人数学基础，个人认为有两个派比较厉害：一派是Harvard的Roger Brokett及其学生Frank Chongwoo Park等；另一派是UC Berkeley的Shankar Sastry及其学生Richard Murray，Zexiang Li，JJE Slotine，Stephen Boyd等，两派人马基本奠定了当今机器人数学基础框架（由于学识短浅，可能漏掉了其他重要贡献者）。建议：自己也在钻研，共同学习吧。首先，当然是把描述机器人运动的力学搞定。J.J. Craig出版于80s的《Introduction to Robotics: Mechanics and Control 》，或者R. Murray出版于90s的《A Mathematical Introduction to Robotic Manipulation》都行。当然，更加推荐后者，因为顶级学术论文很多都采用Lie group的描述方法了。再次，必要的反馈控制基础当然是不能少的，推荐Franklin的《Feedback Control of Dynamic Systems》。最后，如果是广大的Ph.D.朋友们，硬件就不必玩了，直接上paper吧。读paper，读各种牛人的paper。发paper，最好往ICRA和IJRR里面灌水。P.S.：被paper虐的吐了一口老血：-）来源：知乎www.zhihu.com作者：贺磊【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。点击下载此问题还有18 个回答，查看全部。