控制器

控制器#

控制器将期望运动或接触力转换为关节命令。关节空间控制器作用于各个关节，任务空间控制器则作用于末端执行器。

接触任务通常需要一定的柔顺性，以容忍机器人或环境模型的误差 [SSVO09]。常见方法有两种：

阻抗控制： 通过质量—弹簧—阻尼模型建立运动误差与接触力的关系。刚度控制仅使用位置误差与力之间的静态关系。
力/运动混合控制： 在自由方向控制运动，在受约束方向控制力。Isaac Lab 的实现采用操作空间逆动力学 [Kha87]。

选择控制器#

下述核心控制器位于 isaaclab.controllers。Isaac Lab 还提供 Newton 控制器，包含更多控制选项和迭代 IK 求解器。

控制器	输入指令	输出	所需状态
`DifferentialIKController`	末端执行器的位置或位姿，可使用绝对值或相对增量	关节位置目标	关节位置，以及在同一坐标系下表示的末端执行器位姿和雅可比矩阵
`OperationalSpaceController`	末端执行器位姿和/或力旋量，也可包含刚度和阻尼比	关节力/力矩	雅可比矩阵；运动控制所需的位姿和速度；惯性解耦所需的质量矩阵；以及根据启用功能提供的重力向量、接触力和关节状态

基本的关节空间控制直接向执行器设置关节目标。关节空间阻抗控制可使用 JointImpedanceController ，见关节空间控制器。

使用位置控制执行器进行到达目标或遥操作时，可以先选用微分 IK。需要输出力矩指令、实现任务空间柔顺性，或同时控制运动和接触力时，可选用 OSC。例如，擦拭桌面时，需要沿桌面运动，同时维持沿桌面法向的接触力。

IK 教程和 OSC 教程提供了完整场景、状态提取方法和可运行的演示。两个教程脚本均使用 Isaac Sim PhysX，需要安装 Isaac Sim。

IK：到达目标位姿。 每条机械臂通过关节位置目标跟踪末端执行器的目标位姿。运行 IK 演示，可以观察实际位姿与目标位姿的坐标系标记逐渐重合。

OSC：控制运动和接触力。 倾斜墙面示例沿墙面法向施加 10 N 的目标力，同时在其他方向上跟踪目标位姿。详见 OSC 演示。

Newton 控制器#

isaaclab_newton.controllers 将 Newton 的批量控制器封装为可使用 PyTorch 张量的接口。以下三个控制器均适用于任意物理后端：调用者根据所启用的功能，提供机器人状态、雅可比矩阵和动力学信息，无需 Newton 仿真模型。

微分 IK — NewtonDifferentialIKController 根据末端目标生成关节位置目标，支持轴向权重、自适应阻尼、截断 SVD、关节限位规避和零空间姿态控制。使用 NewtonDifferentialIKControllerCfg 配置。
关节阻抗控制 — NewtonJointImpedanceController 根据期望关节位置和速度生成关节力/力矩，支持惯性解耦、重力与科里奥利力补偿、加速度前馈，以及逐控制步更新增益。使用 NewtonJointImpedanceControllerCfg 配置。
操作空间控制 — NewtonOperationalSpaceController 为任务空间运动和力/力矩控制生成关节力/力矩，支持期望末端速度、分别选择线运动和角运动的坐标系，以及零空间姿态控制。使用 NewtonOperationalSpaceControllerCfg 配置。

在直接工作流环境中，创建一次控制器，然后在每个控制步向 compute() 传入当前状态和目标，并通过 articulation.actuators 施加返回的关节目标或力/力矩。这些封装具有各自的配置和 compute() 参数，不使用核心控制器的 set_command() API。计算使用 float32，连续的 float32 输入可以零拷贝共享。返回张量引用可复用的输出缓冲区；若需在下一次调用后保留结果，请先克隆。

对于基于管理器的任务，使用 NewtonDifferentialInverseKinematicsActionCfg 或 NewtonOperationalSpaceControllerActionCfg 将相应控制器连接到机器人。例如，以下动作在机器人根坐标系中指定 Franka 手部的绝对位置：

from isaaclab_newton.controllers import NewtonDifferentialIKControllerCfg
from isaaclab_newton.envs.mdp import NewtonDifferentialInverseKinematicsActionCfg

arm_action = NewtonDifferentialInverseKinematicsActionCfg(
    asset_name="robot",
    joint_names=["panda_joint[1-7]"],
    body_name="panda_hand",
    command_type="position",
    controller=NewtonDifferentialIKControllerCfg(
        ik_method="damped_least_squares",
        bandwidth=10.0,
        damping=0.05,
    ),
)

将该项加入任务的动作配置，并使资产、关节和刚体名称与机器人匹配。微分 IK 应使用位置控制执行器，操作空间控制应使用力/力矩控制。

使用 Newton 进行迭代 IK 求解#

NewtonIKSolver 基于 Newton 模型迭代求解位姿目标，而不是利用传入的雅可比矩阵进行单步微分 IK。可以将一个或多个刚体的 NewtonIKPoseObjectiveCfg 目标与 NewtonIKJointLimitObjectiveCfg 组合，以惩罚关节限位违反量。NewtonIKSolverCfg 用于选择 LM 或 L-BFGS 优化、雅可比计算方法、种子采样方式和迭代次数。

使用 NewtonInverseKinematicsActionCfg 可在基于管理器的任务中调用此求解器。目前该动作要求固定基座的关节系统，并已注册 Newton 原型模型；关节和目标刚体必须在 Isaac Lab 与该模型中都能解析。

完整的控制器、求解器和配置 API 见 isaaclab_newton.controllers。

控制循环#

IK 和 OSC 控制器根据调用者提供的状态计算目标值，不会自行读取仿真状态或向执行器发送指令。set_command() 保存目标，直到下一次设置将其替换。每个控制周期都需要读取最新状态、调用 compute()、写入目标，再推进仿真；IK 教程中的循环见 API 使用示例。IK 输出关节位置目标，由配置的位置执行器跟踪。OSC 输出关节力/力矩目标，因此应将执行器刚度和阻尼设为零，避免执行器的反馈控制额外叠加力/力矩。

指令、末端执行器位姿和雅可比矩阵必须使用一致的坐标系。教程用后缀 _b 表示机器人基座坐标系，用 _w 表示世界坐标系；变量名称本身不会变换数据。绝对位姿由位置和四元数组成，四元数采用 (x, y, z, w) 顺序。OSC 的指令和控制轴选择可以使用单独的任务坐标系，但传入 compute() 的状态仍须在基座坐标系下表示。

关节空间控制器#

没有专门用于选择关节空间控制模式的配置类。控制模式取决于通过 articulation.actuators 设置哪些目标：驱动力目标对应力矩控制，速度目标对应速度控制，位置目标对应位置控制。运行时 API 见运行时 API： articulation.actuators 。

力矩控制#

动作维度: "n" （关节数量）

在扭矩控制模式下，输入动作被直接设置为前馈关节扭矩命令，即在每个时间步，

\[\tau = \tau_{des}\]

速度控制#

动作维度: "n" （关节数量）

在速度控制模式下，需要一个比例控制律来减少当前与期望关节速度之间的误差。基于输入动作，关节扭矩命令计算如下:

\[\tau = k_d (\dot{q}_{des} - \dot{q})\]

在这里 \(k_d\) 是从配置中解析得到的增益。

注意

在执行速度控制时，在许多情况下，需要进行重力补偿以确保更好地跟踪命令。在这种情况下，我们建议在仿真中禁用关节中链节的重力。

位置控制与固定阻抗#

动作维度: "n" （关节数量）

位置控制采用比例—微分（PD）控制律，在目标速度为零的条件下跟踪关节位置：

\[\tau = k_p (q_{des} - q) - k_d \dot{q}\]

其中 \(k_p\) 和 \(k_d\) 是从配置中解析出的增益。

考虑关节体动力学后，更完整的表达式为：

\[\tau = M \left( k_p (q_{des} - q) - k_d \dot{q} \right) + g\]

其中 \(M\) 是大小为 \(n \times n\) 的关节空间惯性矩阵， \(g\) 是关节空间重力向量。通过将阻抗模式设置为 "fixed" ，可以通过 JointImpedanceController 类来实现此功能。增益 \(k_p\) 从输入配置中解析， \(k_d\) 则在将系统视为解耦的点质量振荡器时计算得出，即，

\[k_d = 2 \sqrt{k_p} \times D\]

其中 \(D\) 是系统的阻尼比。当 \(D = 1\) 时，系统达到临界阻尼；当 \(D > 1\) 时，系统为过阻尼；当 \(D < 1\) 时，系统为欠阻尼。

此外，可以通过将配置中的标志 inertial_compensation 和 gravity_compensation 分别设置为 False 来禁用控制器中的惯性补偿或重力补偿。

位置控制与可变刚度#

动作维度: "2n" （关节数）

可变刚度控制使用相同的控制律，但由命令提供 \(k_p\)。将 JointImpedanceController 设为 "variable_kp" 模式即可。

位置控制与可变阻抗#

动作维度: "3n" （关节数）

可变阻抗控制还通过命令提供阻尼。将 JointImpedanceController 设为 "variable" 模式即可。

任务空间控制器#

微分逆运动学 (IK)#

动作维度: "3" （相对/绝对位置）， "6" （相对姿态），或 "7" （绝对姿态）

逆运动学将任务空间中的跟踪误差转换为关节空间误差。最常见的实现先计算任务空间位姿误差 \(\Delta \chi_e = (\Delta p_e, \Delta \phi_e)\) ：位置误差为目标位置与当前位置之间的笛卡尔距离，姿态误差为目标姿态与当前姿态在 \(\mathbb{SO}(3)\) 中的最短距离。

使用几何雅可比矩阵 \(J_{eO} \in \mathbb{R}^{6 \times n}\) ，它将任务空间的速度与关节空间的速度关联起来，我们设计控制律以获得期望的关节位置，如下所示:

\[q_{des} = q + \eta J_{eO}^{-} \Delta \chi_e\]

其中 \(\eta\) 是一个缩放参数，而 \(J_{eO}^{-}\) 是雅可比矩阵的伪逆。

可以使用不同的公式计算雅可比矩阵的伪逆:

Moore–Penrose 伪逆（"pinv"）：\(A^{-} = A^T(AA^T)^{-1}\) 。
Levenberg–Marquardt 伪逆（阻尼最小二乘法，"dls"）：\(A^{-} = A^T (AA^T + \lambda^2 \mathbb{I})^{-1}\) 。
转置法（"trans"）：\(A^{-} = A^T\) 。
自适应奇异值分解（SVD）伪逆（"svd"），见 Buss [Bus04] 。
考虑可操作度的阻尼最小二乘法（"adaptive_dls"）：雅可比矩阵接近奇异状态时，增大阻尼 \(\lambda\) 。

这些实现通过 DifferentialIKController 提供。可运行示例见使用任务空间控制器。

阻抗控制器#

它利用任务空间位姿误差和雅可比矩阵，通过质量–弹簧–阻尼系统计算关节力矩，支持 a) 固定刚度、b) 可变刚度（刚度控制），以及 c) 可变刚度和阻尼（阻抗控制）。

操作空间控制器#

与任务空间阻抗控制类似，但使用运动方程（EoM）计算任务空间力。可运行示例见使用操作空间控制器。

闭环比例力控制器#

它根据末端执行器当前力旋量与目标力旋量的误差，通过比例项跟踪目标力/力矩指令。

混合力-运动控制器#

它结合闭环力控制和操作空间运动控制，计算末端执行器的目标力旋量，并用选择矩阵指定任务中不受约束和受约束的方向。

API 使用示例#

关节目标#

下面分别展示不同类型的指令，假定 robot 已初始化，且 arm_joint_ids 已解析。每个目标张量的形状均为 (num_envs, len(arm_joint_ids))。位置或速度反馈增益在执行器配置中设置；直接控制力/力矩时，应将执行器刚度和阻尼设为零。指令 API 见运行时 API： articulation.actuators ，增益配置见执行器。

位置

joint_pos_target = robot.data.default_joint_pos.torch[:, arm_joint_ids].clone()
robot.actuators.target_command.set_position_index(value=joint_pos_target, joint_ids=arm_joint_ids)
robot.write_data_to_sim()

速度

joint_vel_target = robot.data.default_joint_vel.torch[:, arm_joint_ids].clone()
robot.actuators.target_command.set_velocity_index(value=joint_vel_target, joint_ids=arm_joint_ids)
robot.write_data_to_sim()

力/力矩

import torch

joint_effort_target = torch.zeros_like(robot.data.joint_pos.torch[:, arm_joint_ids])
robot.actuators.target_command.set_effort_index(value=joint_effort_target, joint_ids=arm_joint_ids)
robot.write_data_to_sim()

这些调用先写入待发送指令，再提交给仿真。每个周期还需要推进物理仿真并更新场景，见控制循环。

任务空间目标#

IK 教程每隔 150 步重置机器人并更换目标。其余步读取最新状态并计算关节位置目标；每一步都会应用目标并推进仿真：

scripts/tutorials/05_controllers/run_diff_ik.py#

if count % 150 == 0:
    # reset time
    count = 0
    # reset joint state
    joint_pos = robot.data.default_joint_pos.torch.clone()
    joint_vel = robot.data.default_joint_vel.torch.clone()
    robot.write_joint_position_to_sim_index(position=joint_pos)
    robot.write_joint_velocity_to_sim_index(velocity=joint_vel)
    robot.reset()
    # reset actions
    ik_commands[:] = ee_goals[current_goal_idx]
    joint_pos_des = joint_pos[:, robot_entity_cfg.joint_ids].clone()
    # reset controller
    diff_ik_controller.reset()
    diff_ik_controller.set_command(ik_commands)
    # change goal
    current_goal_idx = (current_goal_idx + 1) % len(ee_goals)
else:
    # obtain quantities from simulation. The Jacobian DoF axis prepends
    # ``num_base_dofs`` floating-base columns (0 for fixed-base, 6 for
    # floating-base); shift the actuated-joint ids accordingly.
    jacobi_joint_ids = [j + robot.num_base_dofs for j in robot_entity_cfg.joint_ids]
    jacobian = robot.data.body_link_jacobian_w.torch[:, ee_jacobi_idx, :, jacobi_joint_ids]
    ee_pose_w = robot.data.body_pose_w.torch[:, robot_entity_cfg.body_ids[0]]
    root_pose_w = robot.data.root_pose_w.torch
    joint_pos = robot.data.joint_pos.torch[:, robot_entity_cfg.joint_ids]
    # compute frame in root frame
    ee_pos_b, ee_quat_b = subtract_frame_transforms(
        root_pose_w[:, 0:3], root_pose_w[:, 3:7], ee_pose_w[:, 0:3], ee_pose_w[:, 3:7]
    )
    # compute the joint commands
    joint_pos_des = diff_ik_controller.compute(ee_pos_b, ee_quat_b, jacobian, joint_pos)

# apply actions
robot.set_joint_position_target_index(target=joint_pos_des, joint_ids=robot_entity_cfg.joint_ids)
scene.write_data_to_sim()
# perform step
sim.step()
# update sim-time
count += 1
# update buffers
scene.update(sim_dt)

使用相对指令时，DifferentialIKController.set_command() 还需要接收测得的位姿，以便在设置指令时解析相对增量。

OperationalSpaceController 实例 osc 同样通过 OperationalSpaceController.set_command() 保存运动/力目标，但 OperationalSpaceController.compute() 返回的是力/力矩，需要用 set_effort_index 写入。所需状态取决于启用的功能。控制器创建、状态提取和完整循环见 IK 教程与 OSC 教程。

反应式规划器#

任务空间控制器通常由 RRT 等上层规划器处理关节限位和避碰。反应式规划器则可将这些约束直接纳入运动与控制的优化计算。

反应式规划器的示例包括：

RMPFlow (lula): 一种基于加速度的策略，通过组合各种黎曼运动策略（RMPs）来解决任务层次结构 [CMI+21] 。它能够在将末端执行器导航到目标的同时执行动态避碰。
MPC（OCS2）： 基于序贯线性二次（SLQ）规划的滚动时域控制策略。它通过软惩罚将各类约束纳入同一优化问题，并使用自动微分计算系统动力学、约束和代价的导数。 [MHF+22] 中用于固定机械臂和移动操作机器人末端轨迹跟踪的 MPC 采用运动学系统模型，考虑关节限位和自碰撞规避。外部工具包和示例见 OCS2 文档。

警告

RmpFlowController 包装基于 CPU 的 Lula 绑定，因此大批量计算时可能限制吞吐量。它还需要 Lula 库和机器人描述文件；这些依赖与所选物理后端相互独立。

控制器

目录

控制器#

选择控制器#

Newton 控制器#

使用 Newton 进行迭代 IK 求解#

控制循环#

关节空间控制器#

力矩控制#

速度控制#

位置控制与固定阻抗#

位置控制与可变刚度#

位置控制与可变阻抗#

任务空间控制器#

微分逆运动学 (IK)#

阻抗控制器#

操作空间控制器#

闭环比例力控制器#

混合力-运动控制器#

API 使用示例#

关节目标#

任务空间目标#

反应式规划器#