机器人术语库

人形机器人与关节电机核心概念的准确定义

MIT 协议（CAN 电机控制）

MIT 电机控制协议通过 CAN 帧传递位置、速度、前馈扭矩和控制增益。本文解释力位混合控制的基本形式、常见应用及接口特点，并提醒开发者对接关节电机时核对实际固件的参数范围与协议实现。

RV 减速器采用行星与摆线针轮传动，适用于高刚性和高承载场景。本文比较 RV、谐波与行星减速器在重量、精度、冲击和反驱性方面的特点，说明工业机器人基座与人形机器人腿部的需求差异。

Sim-to-Real 将仿真训练的机器人策略迁移到实机。本文介绍模型误差、摩擦、延迟和执行器差异造成的现实差距，说明域随机化与硬件一致性的重要性，并联系关节电机响应理解策略部署条件。

VLA 模型把视觉观测和自然语言指令映射为机器人动作。本文介绍视觉、语言和动作模块之间的关系，说明它与语言模型的区别、真机示教数据的作用，以及用于具身智能操作策略时的基本流程。

机器人世界模型根据当前状态和动作预测环境变化，可辅助规划、仿真与策略训练。本文介绍它与 VLA 模型、强化学习的关系，说明环境预测在减少真机试错、理解动作后果和构建训练任务中的作用。

中空轴电机让线缆、气管和传感线束从关节中心穿过。了解贯通孔如何帮助机器人简化布线、安排多关节线束并减少外部缠绕，以及设计时需要核对的孔径、轴承承载和安装空间等工程条件。

交叉滚子轴承通过交替排列的滚子承受径向、轴向和倾覆力矩载荷。本文解释其结构、刚度、回转精度与空间优势，说明它在机器人髋关节和一体化关节电机中的支撑作用及选型关注点。

六维力传感器同时测量三轴力和三轴力矩，可用于机器人腕部、踝部和装配任务。本文说明常见安装位置、接触测量用途，以及外置传感器与基于电机电流的扭矩估算在精度和应用上的差别。

机器人关节电机集成电机、减速器、编码器与驱动器，为人形机器人和机械臂提供动力。本文介绍各部件作用，以及额定与峰值扭矩、重量、扭矩密度、走线和通信接口等选型指标之间的关系。

具身智能通过物理身体与环境交互，把感知、决策和行动联系起来。本文介绍机器人感知、策略与执行层的技术分工，以及人形机器人、关节执行器、遥操作数据和控制系统在真实环境中的作用。

了解如何通过主从臂遥操作采集机器人观测与动作数据，并将示教轨迹用于模仿学习和 VLA 模型训练。本文比较真机与仿真数据的作用，梳理同步记录、数据检查和训练样本整理的基本流程。

准直驱 QDD 执行器将大扭矩电机与低减速比传动组合，兼顾动力输出与反驱性。本文说明反射惯量、接触响应和电流估算扭矩之间的关系，并比较 QDD 与高减速比方案在机器人关节中的适用条件。

了解机器人力矩控制、阻抗控制与导纳控制如何实现柔顺交互，比较电流估算扭矩与外置力传感器的适用情况。结合 QDD 关节的反驱性、摩擦和标定要求，理解接触任务中的控制方式与测量限制。

双绝对值编码器分别测量关节电机输入端和输出端的位置。了解双编码器如何区分电机角度与减速后的关节角度，改善闭环控制、减少传动误差影响，并结合机器人关节结构理解上电免归零的条件。

反射惯量与电机转子惯量及减速比平方有关，影响机器人关节的反驱性和碰撞响应。本文解释高减速比关节为何更难被外力推动，以及 QDD 设计如何在输出扭矩、重量和动态响应之间作取舍。

扭矩密度用单位重量的输出扭矩衡量执行器性能。本文说明额定与峰值口径、减速器和结构设计的影响，以及比较关节模组时为何还要同时核对散热、连续负载和重量，避免只看单一峰值指标。

无框力矩电机以独立定子和转子集成到关节结构中，减少重复外壳与传动部件。本文介绍它在一体化关节模组中的作用，并比较内转子与外转子结构对扭矩、尺寸和机械集成的影响。

灵巧手是面向抓取和精细操作的多自由度机器人末端执行器。本文比较欠驱动与全驱动结构，介绍空心杯电机、腱绳等驱动方案及与人形机器人的配合，帮助理解灵活性、体积和控制复杂度的取舍。

了解空心杯电机的无铁芯绕组、低惯量和快速响应特点，比较它与无框力矩电机在结构、尺寸、扭矩和散热方面的区别，说明灵巧手手指与机器人臂腿关节为何采用不同的驱动方案。

机器人自由度描述可独立运动的关节轴数量，影响机械臂可达位姿和人形机器人的全身协调能力。结合 Elf 3 的腿、臂、腰和头部关节分配，理解自由度、冗余设计与控制复杂度之间的关系。

行星减速器由太阳轮、行星轮与内齿圈构成，通过多齿啮合和同轴布局实现紧凑传动。了解其扭矩密度、效率与承载特点，以及和谐波减速器相比在减速比、精度和反驱性方面的工程取舍。

谐波减速器利用柔轮变形实现高减速比和低背隙。本文比较谐波与行星减速方案在精度、刚度、效率、反驱性及冲击响应方面的取舍，说明机器人手臂与动态腿部关节为何需要不同的选型侧重点。

机器人遥操作由操作者实时控制远端机器人，既能支持任务执行，也能采集真机示教数据。本文介绍主从机械臂、VR 和动作捕捉等常见形式，以及遥操作在具身智能与模仿学习中的数据价值。