机器人硬件解剖：执行器、传动与算力

一句话定义

机器人硬件的三大件——执行器（肌肉）、传动（肌腱）、计算平台（脑干与神经）——决定了控制方法的物理上限：算法再好，反向驱动性、扭矩密度与算力边界的墙是撞不开的。

为什么重要

• 读任何控制器/策略论文前，必须知道它跑在什么硬件上：Franka 的力矩接口、Unitree 的准直驱关节、Jetson 的算力预算，直接决定了能用什么方法。
• 人形机器人产业竞赛（kp-503）本质上是执行器供应链与成本曲线的竞赛——懂硬件才能看懂产业新闻。
• 软硬件协同（准直驱为阻抗控制而生、低延迟算力为高频策略而生）是具身系统工程的第一性原理。

前置知识

基础力学（力矩、功率）；无需电机学背景。

核心概念

执行器三选一：

传动的关键抉择——减速比：

• 大减速比（谐波减速器 50~160:1）：小电机出大力、精度高、自锁；但不可反向驱动（背隙与摩擦），接触柔顺全靠传感器+控制补偿，抗冲击差。机械臂与多数人形关节的主流。
• 准直驱（QDD, 低减速比 ~6:1）：MIT Cheetah 提出（Seok et al. 2015-2017），大扭矩密度无框电机 + 低比减速 → 可反向驱动，电流即力矩，天然柔顺，抗冲击（踢一脚不坏）；代价是电机本身要大要贵。足式机器人标配，正被人形采用。
• 腱绳传动：电机远置、绳传力（Shadow Hand、旧 Shadow 系），布置灵活但维护噩梦。

力矩与力的感知链：电流估计力矩（便宜、有摩擦误差）→ 关节应变片（准）→ 腕部 6 轴 F/T（最准最贵，kp-104）。

计算平台：

• 关节级 MCU（电流环 10-40 kHz）→ 主控 SoC：NVIDIA Jetson Orin 系（最高 AGX 275 TOPS）→ 人形旗舰转向 Jetson Thor（Blackwell 架构，为 VLA 机载推理设计）。
• 分层算力分配：GPU 跑感知+策略（10-200 Hz），MCU 跑伺服（kHz），中间 FPGA/实时核跑安全监控——与 kp-003 的频率分层一一对应。

供电：电池能量密度（~250-300 Wh/kg 锂电）是续航硬上限；人形整机功耗 500-1500 W，真实工作时长普遍 2-4 小时——被讨论得最少却最硬的约束。

原理与机制

反向驱动性为什么是分水岭：接触任务的物理安全与力控带宽都取决于"关节能否被外力推动"。谐波关节被推时减速器自锁+摩擦吃力，只能靠阻抗控制模拟柔顺（kp-203）；QDD 关节物理上就是柔顺的，电流环直接实现力控。这就是为什么足式（天天摔打）必须 QDD，而精密臂（要刚度）选谐波。

扭矩密度竞赛：人形关节的军备竞赛核心指标是 kg·Nm/kg（扭矩密度）与成本。近年的突破来自：更好的磁材与绕线工艺、大批量供应链降本（中国供应链的关键贡献）、以及"够用就好"的工程哲学（不为 1% 场景堆参数）。

算力-延迟链：策略推理延迟（Jetson 上 7B VLA 需量化+蒸馏才达机载实时）直接限制控制频率（kp-003）；Helix 的工程亮点正是"双系统跑在机载 GPU"——把云依赖去掉才算产品。

公式与图示

电机 ──[ 减速器 r:1 ]──► 关节输出
输出扭矩 τ = r · τ_motor · η      （η 传动效率，谐波 ~0.7-0.9）
输出转速 ω = ω_motor / r
反向驱动性 ≈ f(摩擦, 惯量反射 r²)  ← r 越大越"推不动"

惯量反射（reflected inertia）：电机转子惯量经减速器反射到关节侧按 $r^2$ 放大——大减速比下腿部等效惯量巨大，动态踢腿、落足冲击的物理响应变差。这是 QDD 路线的深层物理依据。

直观类比

• 自行车 vs 汽车方向盘：自行车把（QDD）你推它就动、路感直接；带助力且有齿比的方向盘（谐波）转向精准省力，但"手感"要靠模拟。
• 电机是肌肉，减速器是骨骼杠杆：骨骼越省力（大减速比），肌肉越省但动作越"僵"；靠肌肉硬扛（QDD），动作灵活有力，但肌肉（电机）必须健壮。

实例与案例

• Franka Panda：谐波关节 + 每关节力矩传感器 + 1 kHz 力矩接口——"谐波路线用传感器补柔顺"的代表（kp-203）。
• Unitree G1/H1、宇树四足：QDD 关节 + 国产供应链，把整机关税? 成本压到学术级价格——硬件成本曲线改变研究生态的直接案例。
• Atlas 液压退役（2024）→ 电动版：执行器路线更替的活标本——液压的功率密度输给了电动的可维护性与可控性。
• Jetson Thor（2025）：为"机载 VLA"设计的人形主控，标志计算平台开始按大模型推理需求设计。

常见误区

• 误区一：扭矩越大越好。扭矩密度、反向驱动性、抗冲击、成本是联动的；单点堆参数会破坏其他项（QDD vs 谐波之争的本质）。
• 误区二：算法与硬件无关。同一策略在 QDD 与谐波本体上表现不同；读论文必看硬件平台，复现失败先查硬件差异。
• 误区三：算力只看 TOPS。内存带宽、量化支持、推理栈（TensorRT）往往比峰值算力更决定实时性。

自测题

1. 解释惯量反射 $r^2$ 放大，以及它如何影响足式机器人的动态性能。
2. Franka（谐波+力传感）与 QDD 关节做插孔力控，各自的误差来源是什么？
3. 为一台"上肢操作人形"分配算力：哪些层放 GPU、哪些放 MCU、为什么？

与其他知识点的关系

• kp-203 阻抗控制：硬件柔顺与控制柔顺的分工。
• kp-502 末端执行器、kp-503 人形：三大件的具体集成。
• kp-003 闭环：频率分层与算力分层一一对应。

延伸阅读

• Seok et al., Design Principles for Highly Efficient Quadrupeds...（MIT Cheetah 执行器三篇）。
• Springer Handbook of Robotics, 第 4 章（执行器与传感）。
• Unitree / Franka / NVIDIA Jetson 官方规格文档。