還記不記得特斯拉老總伊隆馬斯克說過，特斯拉正在做一個“能夠自動伸出墻壁，像一條金屬蛇一樣連接上充電口”的充電平臺？也許你不記得，不過現在已經無關緊要，因為今天你已經能看到實物！說實話，這東西看上去稍微有點嚇人。除了“機械蛇”，我真想不出更好的形容。工作原理機器人學家原創分析。這東西是怎么做出來的？難度多大？

　　蛇形機器人研究從1976年就已經開始。但是產品級作品沒聽說過。為什么？此類機器人的主要問題在于自由度數高，又是串行結構難以控制。同樣長度的機械臂，為實現蛇形的靈活度需要的關節數很多。特斯拉這條機械臂，上面有大約二十節。這給機械結構和控制方法都提出了很高要求。

　　機械結構蛇形機器人說白了就是串行機械臂，有三類基本結構。最簡單的就是像普通機械臂一樣，每個電機控制一個關節，像這樣：

　　圖：CMU蛇形機器人

　　可以爬樹偵查但是這種結構一般都是做上圖那種自由機器人，而固定基座的機械臂則很難做到很多節，因為電機的承重隨電機數目和到末端的距離是線性增長的，從根部數第二個電機既要承受相當大重量，又要保持體積，制作難度非常大。第二種是將驅動器全部置于基座內，利用機械傳動實現各個關節的控制。這是當今此類機器人的主流，此次特斯拉的機器人看上去也是采用這種方式。

　　圖：茨城大學ShugenMa提出的超冗余蜿蜒型機器人兩種差動耦合傳動機構

　　如何實現高效的機械傳動？傳動結構一直是蛇形機器人的研究重點和難點。它大多采用線傳動的方式進行動力傳送，傳動線和機器人連桿之間的摩擦將會對機器人的可靠性產生很大的影響，對機器人使用的材料提出很高的耐磨要求。

　　第三種是連續型結構，特點是整個機器人的電機數目（通常小于10個）小于機械結構的自由度數（通常10個以上，對于軟結構而言是無窮多）。代表作品是Festo著名的氣動象鼻：特斯拉此款機器人也有可能是這種結構，不是說它是氣動軟結構，而是說它未必每個關節都配一個電機。就像人的手指一根筋可以拉動3個關節一樣，這種控制方式稱為欠驅動?？刂品绞娇刂品绞椒謨深?。對于硬連桿式的機器人，其控制方式與普通的機械臂并無本質差別，其運動學模型也可以用DH參數建模，而動力學模型由于機器人運動緩慢基本可以忽略重力和負載以外的因素，唯一的問題是由于自由度數太大，即使是運動學模型也往往過于復雜。

　　普通工業機器人最常見的是6自由度，因為這樣剛好足夠讓末端手臂到達任何位置、姿態。即使是6維，把其末端位置表示成六個關節角的函數也得寫滿滿3頁紙（好像是Motoman干過這件事），而當自由度漲到10時，這個表達式寫成txt文本文檔的大小是按MB計的（我干過這事）。所以與其用精確模型得到精確求解，更快、更實用的方式是用低階近似模型迭代優化求解。具體說來，原本機器人模型復雜度隨自由度數目增加是指數增長，這個式子可以一步求解，但是太復雜。于是現在用一個局部線性化之類的方法，把得到一個隨自由度數線性增長的近似模型，其復雜度一下子變得可以忽略，計算機瞬間可以得到解；但是精度只在當前機器人姿態附近比較高。沒關系，那我們就只用這一小段嘛，這個幾毫秒內算出來的模型，我們只用它50毫秒，就更新重新計算個模型，這樣在這50ms內，模型還是比較精確的。

　　另一大類思路用到概率論，大名鼎鼎的Rapidly-ExploringRandomTree（RRT）就是此類方法中的經典。簡單說來，就是我雖然不知道怎么動我的二十個關節來讓末端往目標方向移動，但我可以跑仿真嘗試嘛。每一次嘗試就是一次采樣，而RRT就是提供了一種如何用最少采樣次數得知正確解的方法。我沒嘗試過使用采樣法，只知道有個面相兇狠的國外教授稱對于高自由度機器人而言，在指數增長的龐大關節空間里進行隨機搜索是“hopeless”的。連桿式機器人說完了。對于連續型機器人，情況麻煩了許多，由于關節間不存在線形關系，所以運動學計算非常難以得到精確解。流行的解決方法是將機器人的形狀用一定的曲線（比如萬能的貝塞爾）來近似，用少量幾個參數來進行編碼，從而獲得可以處理的模型。

　　特斯拉的這款機器人，其實控制算法難度并不大，大約20個自由度，運動速度比較緩慢，基本可以忽略動力學特性。難點在硬件?？磩幼骶瓤梢耘袛嗖皇菤鈩樱祟悪C器人一般不用液壓，那么最有可能還是用電機（廢話，人家車都用電機。。）那么大的機械臂，動作如此穩定，一點超調抖動都看不出來，這就是實力了。