一、感知与理解（4 个）
这一层的任务：把像素变成有意义的信息。
- 目标检测（YOLO、SSD）：识别场景里的物体（人、椅子、楼梯），输出"是什么"和"在哪"------输出的是带类别标签的边界框
- 语义分割（UNet、Mask R-CNN） ：更精细，对图像每个像素 分类，区分地面、墙壁、障碍物。可通行区域判断就靠它，直接决定机器人走哪里
- 姿态估计（OpenPose、MediaPipe）：识别人体关节点，用于人机交互（机器人看懂你的手势）和模仿学习（看人做一遍跟着学）
- 多传感器融合（卡尔曼滤波、因子图）：把相机、激光雷达、IMU、关节编码器的数据合到一起，得到更准的状态估计。因子图是当前主流方案（GTSAM 这类库）
二、同步定位与建图 SLAM（3 个）
这一层任务：知道自己在哪，同时把环境地图画出来。常见的几种SLAM如下，
- 视觉 SLAM（ORB-SLAM、VINS）：只用摄像头。成本低，但受光照影响大、暗处失效
- 激光 SLAM（Cartographer、Hector） ：用激光雷达建二维/三维栅格地图。定位精度高、不受光照影响------这就是为什么 AGV 几乎都用激光 SLAM
- 多传感器融合 SLAM（LIO-SAM、VINS-Fusion）：激光 + 视觉 + IMU 全上。高速运动、环境剧烈变化时最稳，代价是标定复杂、算力要求高
三、运动规划（4 个）
这一层任务：算出让机器人安全动起来的轨迹，分四级递进：
- 全局路径规划（A*、RRT、RRT*） ：在已知地图上规划一条从起点到终点的无碰撞粗略路径
- 局部轨迹规划（DWA、TEB、MPC） ：在局部范围实时生成平滑、避障的具体轨迹。全局给方向，局部管执行
- 步态规划（ZMP、线性倒立摆、混合力矩控制） ：双足/四足专有。规划落脚点、抬脚高度、行走节奏。ZMP（零力矩点） 是核心概念------保证脚的支撑力和惯性力的合力落在地面支撑多边形内，机器人就不会摔
- 全身运动规划（轨迹优化、顺序二次规划）：同时规划躯干、手臂、头部，避免自己撞自己，实现"边走边拿东西"这类全身动作
机器人测试到底测什么：五个层次
上面那张表是"算法层"的视角。把整个机器人测试工作铺开，其实是五个层次，从下往上覆盖度越来越广：
**第一层：算法层测试------测"准不准"**
- 感知算法：
mAP（检测精度）、mIoU（分割精度）、PCK（关键点误差）、漏检率 - SLAM：
ATE（绝对轨迹误差）、闭环误差、重定位速度 - 规划：规划成功率、路径长度、计算耗时
- 步态：不摔倒率、ZMP 裕度、足端落点误差
**第二层：功能层测试------测"能不能用"**
- 导航：给定目标点，能不能走到
- 避障：遇到障碍，会不会停或绕
- 抓取：能不能抓起来、放到指定位置
- 语音：说一句话，机器人听懂了吗，还有相同意思的一句话，机器人能否判别出来
**第三层：系统层测试------测"整机表现"**
- 端到端时延：从"说话"到"机器人动起来"一共多少毫秒
- 任务成功率：连续做 100 次任务，成功几次
- 多任务并发：边走、边说话、边避障，系统会不会卡
- 资源占用：CPU、内存、网络带宽、话题频率是否稳定
- 特点：暴露的问题最多，也是最能体现测试价值的一层
**第四层：可靠性测试------测"长期稳不稳"**
- 连续运行测试：8 小时 / 24 小时不间断，看是否出现内存泄漏、频率衰减
- 异常注入：拔网线、杀节点、伪造传感器数据、关掉某一层服务
- 恢复能力：摔倒后能否自主站起、断连后能否重连
- 特点：异常注入是机器人测试里最像"攻击"的环节，也是最容易出成果的方向
**第五层：安全测试------测"会不会出事"**
- 急停响应时间（发停止指令到真正停止，一般要求 < 200ms）
- 速度、力矩限幅是否有效
- 有人进入作业区域时是否减速或停止
- 人形机器人贴近人工作，这一层正在变成强制项
一、控制与平衡（绿色区）------ 机器人的"小脑"
这一类的共同目标是别摔，但它内部其实分三道防线：
- PID：最基础的一层，让关节平滑地到达目标角度/力/速度。所有机器人都有它
- MPC 模型预测控制：预测未来几秒的机器人状态，倒推当前该怎么做动作，让行走更自然。它是 PID 的升级版，代价是算力
- ZMP 零力矩点控制 ：第一道防线。经典的双足平衡策略，通过调整躯干和腿的力矩，保证合力点始终落在脚的支撑范围内
- ICP 捕获点控制 ：第二道防线。比 ZMP 高一个层次------当扰动已经大到"注定要摔"时，它计算的是"下一步该往哪儿跨一步"来把身体救回来
- 柔性控制（阻抗/导纳控制） ：第三道防线 。控制"力与位置的关系"，让人推机器人、和机器人握手时，机器人不是硬抗，而是顺势让步。这是人机安全的核心
测试视角：
- 平衡恢复测试：推搡强度递增------轻推（应微调站住）、中推（应跨步站稳）、猛推（应主动屈膝降低重心或安全倒地）。这是宇树这类公司测试岗的必测项
- 柔性控制测试 ：用测力计推机器人，测反作用力是否在安全上限内。这是安全测试，也是人形机器人行业的强制项
二、决策与学习（绿色区）------ 机器人的"大脑"
这一层决定 "该做什么" ，而且它正在经历一次技术换代：
- 有限状态机 FSM ：定义机器人的状态（站立、行走、蹲下、跌倒恢复），事件触发时切换。传统方案，稳定但难扩展
- 行为树 BT：比 FSM 模块化得多，能组合复杂任务。图里给的例子很形象------"先找充电桩 → 走过去 → 蹲下充电"，就是三条子树串起来
- 强化学习（PPO、SAC、DQN） ：在仿真里通过试错学会步态、站起、抓取。当前行业最热的方向，宇树和特斯拉都在用
- 模仿学习（行为克隆、GAIL）：从人类演示数据里学动作（跳舞、打球），省掉手工设计控制器
测试视角：
- FSM/行为树的测试方法很成熟 ：画状态迁移矩阵，把"所有状态 × 所有触发事件"的组合全部走一遍，检查是否有状态无法退出、是否有事件丢失。
- 强化学习测试是全新挑战 ：用固定随机种子跑 100 次，统计成功率而不是判断单次结果------因为同一输入两次输出可能就是不一样，将随机种子的参数固定进行试验来控制变量。
- 分布外测试：在训练时没见过的地形上测（斜坡、台阶、湿滑地面），这是 RL 模型最容易翻车的地方
- 奖励黑客检查 ：模型可能学会"钻空子"------比如用奇怪的姿势骗过奖励函数，虽然得分高但动作很丑。这类问题只有靠人看视频才能发现，是测试工程师不可替代的价值点
三、硬件驱动与状态估计（绿色区）------ "肌肉与神经末梢"
- 无刷电机 FOC 控制：高效驱动关节电机，输出平滑力矩。现在人形机器人的关节基本都用它
- 液压伺服控制：大功率机器人（如波士顿动力 Atlas）的方案，精确控制液压缸出力。成本高、结构复杂，逐渐被电机方案取代
- 状态估计（EKF、粒子滤波） ：这一层是承上启下的关键 ------融合 IMU、关节编码器、足底压力传感器的数据，实时估算躯干姿态、质心速度、地面接触状态
测试视角：
- FOC：力矩精度、响应带宽、堵转保护、长时间运行的发热
- 状态估计：姿态估计误差、质心速度误差，以及最关键的接触检测准确率 ------足底压力传感器判断"脚有没有着地"如果出错，控制层就会发出错误的指令，直接导致摔倒