力控制是机器人学与自动化领域的一个基本概念，它通过调节机械操作器与其环境在接触点处施加的力与力矩，来管理两者之间的相互作用。与位置控制命令机器人遵循预定轨迹不同，力控制根据实时力反馈调整机器人的运动，使其能够处理物体几何形状、表面柔顺性以及外部干扰中的不确定性。这种能力对于需要物理接触的任务至关重要，例如精密装配、磨削、抛光以及安全的人机协作。
力控制的原理源于超越刚性、开环操作的需求。早期的工业机器人主要运行在位置控制模式下，这在处理脆弱部件或可变表面时显得不足。到20世纪70年代和80年代，研究人员开始将力控制策略形式化，从而推动了阻抗控制和导纳控制框架的发展。这些方法将机器人视为一个具有可调刚度与阻尼的机械系统，使其能够在维持期望力的同时适应环境变化。如今，力控制已广泛应用于从工业臂到手术机器人和自动驾驶车辆的各种系统中。
历史发展
力控制的基础可追溯到20世纪70年代MIT CSAIL和卡内基梅隆大学等机构的研究。Neville Hogan在1985年提出的阻抗控制早期工作，通过控制运动与力之间的动态关系，建立了统一调节两者的框架。与之互补的是导纳控制，它利用力传感器来命令运动，以及混合位置/力控制，它将任务空间划分为位置控制方向和力控制方向。
随着六轴力/力矩传感器的出现，实际实现得以跟进，这些传感器能够测量沿三个空间轴的所有力与力矩。这些传感器与运行在千赫兹频率的实时控制回路相结合，使机器人能够在毫秒内响应接触力。到20世纪90年代，力控制已成为汽车装配线中发动机块插入以及电子制造中连接器配对等任务的标准做法。
控制策略
力控制包含多种不同的策略，每种策略适用于不同的应用。阻抗控制是最广泛使用的方法，它将机器人视为一个质量-弹簧-阻尼系统。控制器调整期望的阻抗参数，，刚度、阻尼和惯性，，以在力误差与位置误差之间取得平衡。这种方法在接触时固有稳定，并允许在自由运动与受限接触之间平滑过渡。
相比之下，导纳控制测量外部力并计算期望的速度或位置修正。它通常用于机器人具有高固有刚度的情况，例如重型工业臂，并需要柔顺响应。混合位置/力控制将任务划分为正交子空间：在环境刚性的方向上控制位置，而在环境柔顺的方向上控制力。这种方法对于轮廓跟踪等任务非常有效，机器人必须在切向移动的同时保持恒定的法向力。
更高级的方法包括自适应力控制，它在线估计环境参数，以及基于学习的方法，利用机器学习来建模接触动力学。这些现代技术使机器人能够在无需显式编程的情况下泛化到不同的材料和几何形状。
工业与机器人应用
力控制在众多工业应用中至关重要。在汽车制造中，机器人使用力控制的磨削和去毛刺操作，以一致的压力去除多余材料，从而提高表面质量并减少工具磨损。在电子领域，力控制的精密部件插入可防止电路板和连接器受损。航空航天工业依赖力控制进行钻孔和铆接，保持精确的接触力以确保结构完整性。
在医学领域，Intuitive Surgical的da Vinci系统在微创手术中集成了力反馈，使外科医生能够感知 tissue 阻力。康复机器人使用力控制提供可调节的辅助治疗，适应患者的力量和进展。协作机器人，或称cobot，采用力限制和阻抗控制以确保与人类工人的安全交互，在意外接触时停止或减少力。
在传统制造业之外，力控制是自主系统不可或缺的一部分。Waymo的自动驾驶车辆在制动和转向执行器中使用力控制以保持平滑、安全的操作。Tesla Autopilot同样依赖其控制系统中的精确力调制。在物流领域，机器人使用力控制的抓取来处理从纸板箱到玻璃瓶等不同脆弱性的物品。
挑战与未来方向
尽管力控制已成熟，但仍面临若干挑战。精确的力传感仍然昂贵且易受噪声和漂移影响，尤其是在恶劣环境中。当环境具有未知或快速变化的刚度时，接触稳定性难以保证，可能导致抖动或振荡。此外，力控制算法计算密集，需要高带宽的控制回路，这对嵌入式处理器构成压力。
未来的研究侧重于将力控制与深度学习相结合，以实现更具适应性和鲁棒性的行为。神经网络可以从演示或模拟中学习阻抗参数，减少手动调谐的需求。强化学习（尽管不在提供的列表中，但这是一个相关概念）正在被探索以优化复杂任务的力策略。传感器技术的进步，如触觉皮肤和光学力传感器，有望提供更高的分辨率和更低的成本。随着机器人进入家庭和医院等非结构化环境，力控制将继续成为安全有效物理交互的基石。
相关概念
力控制与机器人学和控制的几个其他概念密切相关。数据增强技术用于生成合成接触场景，以训练基于学习的控制器。模型剪枝可以减轻神经力控制器的计算负担，使其能够在嵌入式硬件上部署。批归一化和层归一化的原理应用于从视觉和触觉输入估计接触力的深度网络中。理解这些联系有助于研究人员设计更高效、更强大的力控制系统。