机器人 - 关于MIT电机模式控制

目录

一、MIT电机模式简单介绍

[1.1 简单介绍](#1.1 简单介绍)

[1.2 MIT模式的控制参数](#1.2 MIT模式的控制参数)

[1.3 使用场景](#1.3 使用场景)

二、调试时建议

[2.1 调试](#2.1 调试)

[2.2 问题定位](#2.2 问题定位)


一、MIT电机模式简单介绍

1.1 简单介绍

Mixed Integrated Torque为一种混合控制模式,在同一帧CAN数据里包含位置、速度、扭矩三类的闭环指令。驱动器里面把位置环、速度环、前馈扭矩相加,得到一个参考电流,然后再交给电流环完成精准扭矩输出。


1.2 MIT模式的控制参数
参数 含义 取值范围(常见) 说明
kp 位置比例系数(刚度) 0 ~ 500 (单位视驱动器而定) kp = 0 时位置环失效,仅靠速度/扭矩环工作
kd 位置微分系数(阻尼) 0 ~ 500 kd = 0 时位置环会产生振荡,实际使用时需给一个非零值
pos (q) 期望位置(单位:计数或角度) -12.5 ~ 12.5 rad(示例) 位置环的目标值
vel (dq) 期望速度(单位:rpm) -30 ~ 30 rpm(示例) 速度环的目标值
torq (tau) 前馈扭矩(单位:Nm) -T_MAX ~ T_MAX 直接给定的扭矩,常用于 纯扭矩控制(kp = kd = 0)

1.3 使用场景
场景 参数设置示例 说明
匀速转动 kp = 0,kd ≠ 0,pos = 0,vel = 目标速度,torq = 0 只打开速度环,电机以恒定速度运行。
纯扭矩输出 kp = 0,kd = 0,pos = 0,vel = 0,torq = 目标扭矩 前馈扭矩直接驱动电流环,适用于 力矩控制(如抓取、阻尼)
点到点位置控制 kp > 0,kd > 0,pos = 目标位置,vel = 0,torq = 0 位置环+速度环共同作用,实现平滑定位。
位置‑速度‑扭矩混合 kp > 0,kd > 0,pos = 目标位置,vel = 目标速度,torq = 前馈扭矩 适用于 刚度‑阻尼‑外力补偿(如机械臂的阻抗控制)。

在使用位置控制时,kd不能为0,否则电机会振荡、失控;



二、调试时建议

2.1 调试
步骤 操作要点
① 先打开位置环 设定 kp > 0kd > 0,观察位置响应曲线,确保无明显超调。
② 调整阻尼 增大 kd 可抑制振荡;若响应过慢,可适当降低 kp
③ 速度环 在位置环基础上调节 vel(目标速度)或直接使用 kp=0、kd≠0 进行 纯速度控制
④ 前馈扭矩 当负载较大时,适当加入 torque 前馈,以补偿静摩擦或外部扰动。
⑤ 监测电流 通过驱动器的电流反馈(CAN 0x02 帧)检查是否出现 过流 ,必要时限制 torque 上限。

2.2 问题定位
问题 可能原因 检查方式
电机不转动 kp=0、kd=0、torque=0(所有环失效) 确认发送的参数中至少有一个非零值。
出现振荡 kd 设为 0 或过小 增大 kd,或在位置环加入适当的 kp
转速偏差大 前馈扭矩未补偿负载 torque 参数中加入正向前馈,或调大 kp
CAN 报文未到达 报文 ID 错误或波特率不匹配 用示波器或上位机抓包确认 ID 为 0x00+motor_id(位置帧)和 0x01+motor_id(扭矩帧),波特率与驱动器保持一致(默认 1 Mbps)。
电机过流保护 torque 设定过大 限制 torque 幅值在驱动器手册规定的 T_MAX 范围内。
相关推荐
Olivia0514051443 分钟前
Voohu:音频变压器的屏蔽接地技术对50Hz工频噪声抑制的影响
网络·机器人·信息与通信
xp_fangfei2 小时前
通过 Marker(视觉标记)获取机器人位姿
opencv·机器人
机器觉醒时代4 小时前
英伟达GR00T N系列四代模型演进解析
人工智能·机器人·具身智能·vla模型
爆打维c4 小时前
详解 ROS计算图资源的命名与解析
机器人
Alphapeople4 小时前
夸父机器人使用案例
机器人
沫儿笙4 小时前
机器人焊接混合气智能节气装置
人工智能·机器人
红色星际5 小时前
进军具身机器人和Robotaxi的智驾公司
大数据·人工智能·机器人
kobesdu5 小时前
连接大模型与物理机器人-RoboNeuron让机器人真正“听懂人话”
机器人·开源·ros·人形机器人
yzk_20175 小时前
OpenClaw 完整部署指南:安装 + 三大 Coding Plan 配置 + CC Switch + 飞书机器人
arcgis·机器人·飞书
大江东去浪淘尽千古风流人物7 小时前
【RT-1】面向真实世界规模化控制的机器人Transformer
深度学习·机器人·transformer