Nero 智能机械臂与
小脑控制系统
Nero 机械臂规格与性能参数
Nero 是一款专为教育科研、自动装配等设计的冗余臂。依据《NERO用户手册》整理的核心指标如下：
- 自重与负载： 本体重量仅为 4.8 KG，额定有效负载为 3 KG，具备极高的负载自重比。
- 高定位精度： 重复定位精度达到 ±0.1 mm，工作半径达 580 mm，结构紧凑且工作空间宽广。
- 铝合金骨架： 机械臂本体采用高强度铝合金骨架，外配轻质塑料外壳保护，集成度高且便于维护。
- 电气功率消耗： 标准工作电压为 DC 24V，最大功耗不超过 150W，综合工况典型功耗仅 ≤60W。
关节运动限制与底座电气接口说明
| 关节 | 运动范围 (手册) | 最大速度 |
|---|---|---|
| J1 / J3 | -157° ~ 157° / -160° ~ 160° | 180°/s |
| J2 / J4 | -15° ~ 190° / -60° ~ 125° | 180°/s / 325°/s |
| J5 / J6 | -160° ~ 160° / -43° ~ 58° | 225°/s |
| J7 | -90° ~ 90° | 225°/s |
- 主要物理接口：含 1 个航空插头（主电源与 CAN 总线通讯）、1 个标准 RJ45 网口及 WIFI 天线。
- XT30 末端接口：末端关节预留 XT30 (2+2)，提供额外 DC 24V 供电与末端 CAN 总线接口。
- ⚠️ 电压红线警示：输入供电严禁超过 25V，超压极易损坏底座控制板保护电路；上电时需红点对接。
上位机 GUI 与实验脚本运行时
开发工作区与代码库语义导航
为什么要把力矩分量拆开记录？
如果只看总力矩，无法判断控制器内部各部分的工作状态。将四个分量分别记录后，每次实验都能追溯主动发力、弹性回复、反射修正和阻尼抑制各自的贡献量。
- 验证模型完整性：确认 Nero 上确实保留了论文中的四分量肌肉模型结构，而非简单地输出一个合成力矩。
- 观察共收缩效果：当 c 值变化时，弹性和反射分量是否按预期增强或减弱。
- 定位异常原因：当轨迹跟踪变差时，可以分辨问题出在主动发力计算、力矩下发环节还是安全限幅截断。
纯 tff：力矩通道验证与频率瓶颈
在 kp = 0、kd = 0 时，所有控制力矩都由上位机计算后通过 t_ff 下发。这证明了力矩通道能够驱动真机，也暴露出更新频率不足导致的力矩阶梯化问题。
- 验证通道可用：WithPD 计算的力矩确实能通过 MIT 通道到达电机，并驱动 Nero 完成画圆动作。
- 参数优化：在纯 tff 模式下调整参数后，YZ 平面轨迹的贴合程度有明显改善。
- 但瓶颈仍在：上位机更新频率有限，力矩值在两次更新之间保持不变，产生可见的阶梯效应。
PD 临时小脑 下的 MIT 等效拆分
PD 临时小脑的主动项近似线性，因此可以拆分出弹簧和阻尼部分交给底层电机的 kp/kd 执行，t_ff 只负责剩余的修正量。
tff ← reflex + viscous + 共收缩调制项
- 目的：借助电机底层闭环的高频率优势，弥补上位机更新频率的不足。
- 适用前提：主动项接近线性，才能自然地拆分到
kp/kd中。 - 注意：此结论仅适用于 PD 临时小脑分支。
共收缩扫描：c 越大，机械臂刚度越高
在 PD 临时小脑分支中，调节共收缩参数 c 后，能观察到论文中描述的刚度调节趋势：c 增大时关节误差下降，但需要付出更大的力矩。轨迹图与误差柱状图结合来看，刚度变化更加直观。
纯 PD 对照：能追踪，但少了肌肉模型结构
调好增益后，纯 PD 也能完成大致的轨迹追踪。但它没有共收缩调节入口，也没有四类肌肉分量记录，无法扩展到可解释、可调节的刚度控制。
RBF 在线学习：让机械臂“边跑边学”
目标： 把主动发力来源从 PD 临时小脑 换成 RBF 神经网络，让机械臂在 80Hz 控制环里边跑边修正。这里走的是 t_ff + 最小保底阻抗通道，不做 MIT 等效拆分。
- 核心架构： RBF 神经网络计算残差力矩
t_ff；底层只保留很小的阻抗兜底，主要学习任务交给网络。 - 学得快： 仅需跑 5-6 圈，网络就能“记住”当前轨迹，误差降到最低并保持平稳。
- 精度高： 相比没有学习前，平均误差降低了 30%~40%。
| 共收缩值 c | PD 暖启动误差 (rad) | RBF 第20圈误差 (rad) | 精度提升幅度 |
|---|---|---|---|
| c = 0.1 | 0.0127 | 0.0087 | + 31.5% |
| c = 0.5 | 0.0133 | 0.0081 | + 39.1% |
RBF × 等效拆分：高位平台与映射失配
等效拆分初衷： 尝试把 RBF 学到的主动修正和 MIT 等效拆分结合，希望同时利用网络学习和底层闭环。
- 构想： PD 临时小脑 的主动项接近线性，可以折进
kp/kd；但 RBF 学的是残差补偿，不等价于稳定的刚度。 - 现象： C=0.1 时，误差从 0.0205 上升到 0.0651 rad（+217%）；J4 动态 Kp 峰值从 49.1 降到 4.4，轨迹进入高位平台，近乎发散。
- 反思： 问题不只是调参，而是“残差学习”与“动态刚度映射”之间不匹配。后续必须先标定 Nero 底层 MIT 真实响应。
SNN 小脑网络：回到论文正统路线
目标： 原论文真正使用的是 脉冲神经网络 (SNN)。我们下一步要把它从离线理解推进到 Nero 真机闭环。
- 算力瓶颈： SNN 模拟 1000+ 神经元在 80Hz 控制循环中导致丢包与延迟，但算力并非唯一问题。
- 网络机制不明： SNN 输出的数值量级与预期不符，说明对网络内部机制的理解仍不充分。
- 下一步： 在解耦算力的同时，需要通过基础实验标定网络输出特性，建立可靠的输入-输出映射。
