无传感器人形机器人：从“感知依赖”到“本体觉自指”的P4-P7跨层级重构

专知智库“前沿领域综述+颠覆性设计”系列第15期
发布机构：专知智库（成都专知利乎数字科技有限公司）
实务转化：余行智库（成都余行专利代理事务所）

摘要

无传感器人形机器人——即不依赖外部力矩/力觉、触觉、惯性测量单元（IMU）等传统物理传感器，仅依靠电机电流、关节编码器与内在动力学模型完成稳定行走与操作的概念——被视为降低人形机器人硬件成本（传感器占BOM成本约20%-30%）、提升系统可靠性（减少传感器故障点）的颠覆性方向。然而，该领域正面临三个典型的“反常”：第一，“盲走”与“失控”之间的零容差悖论——无传感器状态下，机器人在平坦地面上可依靠动力学模型开环行走，但遇到任何微小扰动（地砖接缝、1mm凸起、地面湿度变化）即刻失稳，而传统机器人的力/IMU传感器能为控制器提供ms级闭环修正，使无传感器方案的稳定域比有传感器缩小一个数量级；第二，“模型预测”与“物理现实”的发散性偏差——即使采用最先进的全身动力学模型，无传感器机器人在连续行走数分钟后，姿态估计误差会因积分漂移呈指数级累积，最终导致“模型认为的脚底接触状态”与“实际接触状态”完全背离；第三，“感知-行动”闭环的断裂——在没有外部感知反馈的情况下，机器人无法实现真正意义上的“自适应步态调整”，使其在非结构化地形（碎石、草地、楼梯）上的通过率趋近于零，严重限制了人形机器人的场景适应性。本文基于容度原理的P4-P7层级框架，首次将无传感器人形机器人的困境重新定义为“P4层（本体运动学与关节-电流之间的内在信息编码）→P5层（动力学模型与驱动-负载耦合的传递信道）→P6层（机器人本体物理结构对扰动的天然容度）→P7层（行走稳定性与任务完成度的终极可靠性）”的跨层级“本体信息-物理扰动-任务可靠性”失配问题。本文提出，无传感器人形机器人突破的核心不在于“更好的模型”，而在于 “重新定义‘感知’——用机器人自身的动力学响应作为感知信道” ，即从“外部传感器读取”向“本体觉自指性感知”的层级跃迁。基于此，本文提出三个颠覆性创新方向：基于“电机电流-关节负载”实时反推的虚拟力觉感知引擎、基于“全身运动学-动力学共融”的无迹观测器架构、以及基于“主动扰动注入与响应辨识”的自适应稳定边界学习系统，并提出“PROPRIO-WALK”前瞻性试验概念框架。

关键词：无传感器控制、人形机器人、本体觉、虚拟力觉、容度原理、层级跃迁、动力学模型、行走稳定性

一、引言：“盲走”的诱惑与陷阱

1.1 无传感器机器人的愿景与驱动力

传统人形机器人依赖大量物理传感器——六维力/力矩传感器（每个足底和手腕）、惯性测量单元（IMU，通常2-3个）、关节力矩传感器、触觉传感器阵列——这些传感器不仅占整机成本的20%-30%，而且易损坏、需要频繁校准、信号处理延迟增加了控制环路的滞后。

“无传感器”概念的吸引力在于：

• 成本骤降：省去昂贵的力传感器（单只六维力传感器价格可达数千美元），使整机成本降低20%-30%
  
• 可靠性提升：减少了物理传感器故障点，适合在极端环境（外太空、深海、核辐射区）中部署
  
• 轻量化：减少传感器及其线束，减轻本体质量，间接提升运动效率
  
• 响应速度：省去传感器信号调理、滤波、传输时间，理论上可缩短控制延迟
  

工业界现状：某些仿人机器人（如Unitree H1）已尝试在足底不使用六维力传感器，仅通过关节编码器和IMU实现行走，但其运动范围被严格限制在平整地面且速度较慢（<1.0m/s）。完全无传感器的商业部署在2026年仍处于早期探索阶段。

1.2 无传感器领域的“三个反常”

反常一：平坦地面的“脆弱稳定”与微扰动的“断崖失稳”。

无传感器机器人在实验室完全平坦地面上，通过精确的动力学模型和前馈控制，能够实现较自然的行走步态（3-5步稳定）。然而，当地面出现低至1mm的凸起（胶带接缝、微小沙粒），或行走方向改变时（转弯），机器人会在1-2步内失去平衡。传统带力传感器的机器人可通过足底力分布实时调整ZMP（零力矩点），而无传感器状态下，控制器“无法得知”脚底已经遇到了异常反力，直到姿态偏差累积到无法恢复。

反常二：“积分漂移”与“模型发散”的时间指数退化。

无传感器姿态估计算法（基于关节角度和动力学模型的“虚拟IMU”）在初始几秒内精度尚可，但由于缺少绝对姿态参考（真实IMU或视觉里程计），姿态角（特别是横滚和俯仰）的估计误差会随时间指数增长。5分钟行走后，模型预测的躯干姿态可能与真实姿态偏差超过20°，使整个步态规划失去物理意义。这是典型的P5层“信道累积误差”引发的P7层“任务失败”。

反常三：“感知-行动”闭环断裂导致的场景适应性归零。

无传感器方案依赖于“预设步态”+“开环执行”，一旦地形稍有变化（如从硬地板走到地毯，或遇到2cm台阶），机器人既无法“感知”到这种变化（缺少触觉/力觉），也无法基于感知调整步态。这使其在非结构化环境中的应用基本归零。

二、容度原理解码：无传感器系统的P4-P7层级分析

2.1 无传感器控制作为“本体自指性感知”系统

从容度原理看，无传感器人形机器人的本质是“将机器人自身的物理响应（关节电流、位置偏差）作为‘感知’的信源，通过内部模型（P4）和动力学传递（P5）来估计系统状态（P6），最终服务于稳定行走（P7）”的本体感知闭环：

2.2 反常一的容度解读：P4层电流信号的“低信噪比” vs 外部扰动的“微弱信号”

容度原理解读： 电机电流信号中确实包含了负载变化的信息（即“虚拟力觉”的原始数据）。然而，在平坦地面上稳定行走时，足底接触力变化幅度较小（约为体重的20%-30%），而电机电流同时受减速器摩擦、齿槽转矩、电流采样噪声等多重干扰。有用的“地面反力信息”（P4层信号）淹没在噪声中，信噪比（SNR）极低。想要提取1%体重的微弱扰动，相当于在20A电流信号中分辨出0.02A的变动，这超出了常规电流采样分辨率的物理极限。

2.3 反常二的容度解读：P5层积分漂移与“自指性误差放大”

容度原理解读： 无传感器姿态估计本质上是一个“自指性积分循环”（YX={YX}_estimation）——当前时刻的姿态估计值依赖于上一时刻的估计值与动力学模型的预测。这种自指性使得模型参数误差（如质量分布误差、摩擦系数偏差）在每一帧被“复用”（P10原理）并放大，形成正反馈。积分漂移不是“误差累积”，而是“误差的自指性放大”。

2.4 反常三的容度解读：P4-P6全链路的“信息荒漠化”

容度原理解读： 非结构化地形（碎石、草地）相当于在P5层引入了“未建模的随机扰动”，这些扰动无法被P4层的电流信号编码（因为扰动来自脚底与地面之间，而非关节负载），也无法被P6层的物理容度吸收（地形变形超过了腿部结构的被动顺应范围）。整个P4-P6链路处于“信息荒漠”状态——没有任何可用的感知信号来更新机器人对自身状态的估计。

三、基于容度原理的颠覆性创新方向

3.1 创新方向一：基于“电机电流-关节负载”实时反推的虚拟力觉感知引擎（P4层创新）

核心思路： 不增加物理传感器，而是构建一套“高频电流特征提取+干扰分离”算法，将P4层的“噪声”转化为“信号”：

• “高频电流纹波分析” ：利用电机驱动器的PWM高频纹波（通常10-20kHz）作为“探测信号”，通过分析纹波幅值和相位的变化，反推负载力矩的微小波动，这可将有效信号分辨率提升至传统电流采样的10倍
  
• “摩擦-惯量-重力”在线辨识：在机器人行走前进行“辨识运动”（如小幅摆动），实时估计当前关节的摩擦力模型和负载惯量，将这些参数作为“基线”后，后续电流变化中减去基线即为“外部接触力”的变化量
  
• “接触事件检测器” ：利用电流信号的瞬态变化率（dI/dt）作为“接触检测”的触发器，当脚底接触地面时，关节电流会出现特定的瞬态尖峰，检测这一尖峰即可判断接触时刻和接触强度
  

颠覆性潜力： 将“虚拟力觉”的信噪比从当前<2提升至>10，使无传感器机器人能够感知1%-2%体重级别的微小扰动。

3.2 创新方向二：基于“全身运动学-动力学共融”的无迹观测器架构（P5层创新）

核心思路： 突破传统卡尔曼滤波或扩展卡尔曼滤波（EKF）的局限，引入“无迹变换”（Unscented Transform）和“粒子滤波”处理P5层模型的非线性与不确定性：

• “无迹卡尔曼滤波（UKF）” ：不线性化动力学模型，而是通过确定性采样点（Sigma点）来传播状态的不确定性，更准确地估计姿态和速度
  
• “多模型切换观测器” ：建立多个动力学模型（硬地面、软地面、斜坡模型），根据足端电流特征的“匹配度”动态切换活跃模型，使状态估计始终与当前“感知模式”对齐
  
• “双向预测-校正” ：不仅利用过去的状态预测当前，还利用“期望稳态值”（如机器人的固定站立姿态）作为“锚点”进行约束性校正，抑制积分漂移的指数发散
  

颠覆性潜力： 将无传感器状态估计的“有效收敛时间”从数秒延长至数分钟，使机器人能够在单一地形上持续稳定行走。

3.3 创新方向三：基于“主动扰动注入与响应辨识”的自适应稳定边界学习（P4-P6联合创新）

核心思路： 将无传感器状态下的“不确定性”从“被动承受”变为“主动探索”：

• “主动步态扰动” ：机器人主动在行走中引入极小幅度的“刻意摇摆”（振幅<0.5°），通过测量系统对这些主动扰动的响应（电流变化、位置偏差），在线辨识当前地形的有效刚度、阻尼和摩擦系数
  
• “稳定边界在线标定” ：机器人通过逐步增大主动扰动的幅度，实时测绘当前地形的“稳定边界”——即机器人能维持平衡的最大扰动幅度。当边界变窄时，自动切换到更保守的步态（更短的步幅、更低的质心高度）
  
• “闭环-开环混合策略” ：在稳定边界内，使用高效的开环步态（节能）；当检测到扰动接近边界时，自动触发闭环“救援策略”（如调整落脚点、加快步频）
  

颠覆性潜力： 使无传感器机器人在未知地形上具备“主动感知”能力，非结构化地形通过率从接近0提升至50%-60%。

四、独创性研究设计：PROPRIO-WALK无传感器行走试验框架

4.1 研究背景与核心假设

当前无传感器机器人研究聚焦于“在已知平坦地面上优化步态”，而忽略了“如何在不增加传感器的情况下提升地形适应能力”。

核心假设：一种“主动扰动注入+在线参数辨识+自适应步态规划”的三层架构，可以使无传感器机器人在中等非结构化地形（地毯、碎石、草地）上实现稳定的连续行走。

4.2 试验概念

试验名称：PROPRIO-WALK（Proprioceptive-Only Walking via Active Disturbance Injection and Online Model Learning）

核心思路：在标准双足机器人平台上，拆除所有足底/腕部力传感器和躯干IMU（仅保留关节编码器和电机电流采样），运行三层架构：

主要验证指标：

• 在8种不同地面（硬木、地毯、橡胶、碎石、草地、斜坡5°、斜坡10°、湿滑表面）上的行走成功率
  
• 连续行走时间（分钟）与步数
  
• 姿态估计误差（相对于地面真值，由外部高速运动捕捉系统测量）
  

4.3 理论预期

• 在硬地面和地毯上的行走成功率 > 90%
  
• 在碎石和草地上的行走成功率 > 50%（显著高于当前无传感器方案的<10%）
  
• 连续稳定行走时间突破10分钟（当前典型值<2分钟）
  

五、结论与展望

无传感器人形机器人的“盲走”梦想，在现行技术路径下确实面临信噪比低、积分漂移和非结构化地形适应性归零三大反常。这些反常并非简单的“算法优化”问题，而是P4层（电流信号分辨率）、P5层（模型漂移的自指性放大）和P6层（物理容度不足）之间的跨层级失配。

专知智库（成都专知利乎数字科技有限公司）基于容度原理提出的“虚拟力觉感知引擎、无迹观测器架构、主动扰动-稳定边界学习”三大颠覆性方向，以及PROPRIO-WALK试验框架，旨在将无传感器人形机器人的行走从“实验室平地的脆弱演示”推向“有限非结构化地形的工程实用”。由余行智库（成都余行专利代理事务所）负责专利布局与知识产权转化。

专知智库内部互链：

• 容度原理的系统论述：www.zzzk.org.cn
  
• 月球知识产权登记专项服务：www.hrpp.org.cn
  

专知智库“前沿领域综述+颠覆性设计”系列索引：