Robot PU 思考
课程：机器人思考（反馈回路）
"机器人思考"通常不是类似人类的思考。在机器人学中，它通常意味着：
- 观察传感器
- 计算调整量
- 应用调整
- 快速重复
这被称为反馈回路（闭环控制）。
在 Robot PU 中，行走和平衡是一个很好的例子。扩展程序的 moveBalance(...) 在行走时连续读取 IMU 并调整舵机目标。
1. 控制回路：开环 vs 闭环
A. 开环控制（无反馈）
开环意味着：
- 你命令一个动作
- 你不测量结果
- 你假设机器人按预期运行
示例思路：
- "将腿部舵机设置为这些角度，希望机器人稳定。"
优点：
- 简单
- 在完美硬件上可预测
缺点：
- 对电池电压、摩擦力、负载、碰撞敏感
- 当实际情况与假设不同时无法恢复
B. 闭环控制（反馈）
闭环意味着：
- 命令一个动作
- 测量发生了什么（传感器）
- 计算误差
- 修正命令
优点：
- 对干扰鲁棒
- 自纠正
缺点：
- 更复杂
- 需要良好的传感器数据和良好的调参
2. Robot PU 示例：moveBalance()（行走 + 平衡）
在 robotpu.ts 中，行走调用：
walk(sp, di)→moveBalance(sp, di, ...)
moveBalance(...) 内部的高层思路：
- 观察： 读取 IMU 数据并估计身体倾斜
- 思考： 计算需要倾斜/偏移腿部和身体多少来保持平衡
- 行动： 将这些偏移作为"控制向量"应用到底层舵机目标
然后它调用底层步态引擎（wk.move(...)）来推进运动状态。
3. 观察：balanceParam()（传感器 → 状态估计）
balanceParam() 读取加速度计：
input.acceleration(Dimension.X/Y/Z)
并计算与倾斜相关的内部信号（你将在代码中看到的示例）：
bodyRoll、bodyPitch- 滤波版本
bodyRoll2、bodyPitch2（随时间平滑）
这是一个小而重要的想法：滤波。
- 原始传感器有噪声
- 滤波降低噪声，使控制输出不会抖动
4. 思考：将 IMU 倾斜转换为纠正偏移
在 moveBalance(...) 中，机器人使用估计的 roll/pitch 计算偏移：
- 如果机器人向左倾斜 → 移动重心 / 舵机偏移以恢复
- 如果机器人向右倾斜 → 做相反的操作
你将看到类似以下逻辑：
- 钳制修正量（
maxRollCtrl），防止过度纠正 - 当倾斜较大时减速（安全 + 稳定性）
"思考"的输出是一组控制信号写入 pr.servoCtrl[...]。
然后该控制向量与当前步态姿态目标结合。
5. 行动：应用控制并推进步态
行动步骤是：
- 应用计算出的
servoCtrl偏移 - 调用
wk.move(...)向当前姿态迈出一小步
这就是为什么运动动作被设计为反复调用：每次调用是反馈 + 运动更新的一次迭代。
6. 控制器类型（概念）
Robot PU 的平衡逻辑是启发式控制器的实际示例（手工设计的规则 + 钳制 + 平滑）。
其他常见控制器：
- P 控制器：修正量与误差成正比
- PD 控制器：比例 + 阻尼（使用误差变化率）
- PID 控制器：比例 + 积分 + 微分
典型权衡：
- P： 简单，但可能振荡
- PD： 更稳定，更少超调
- PID： 可以消除稳态误差，但调参可能棘手
7. 更高级的"思考"（非必须，但值得了解）
这些在更高级的机器人中很常见。这里作为未来方向提及（它们未在本教程代码中实现）。
卡尔曼滤波器 / 互补滤波器
- 更好的传感器融合（例如，加速度计 + 陀螺仪）和更好的状态估计
前馈控制
从计划运动预测所需舵机输出
与反馈结合以获得最佳结果
概率模型（贝叶斯 / 概率网络）
- 显式表示不确定性（当传感器有噪声时有用）
强化学习
Q-learning / Q-tables：学习在每个状态下采取哪个动作
现代变体使用神经网络（Deep Q Networks）
8. 实用 MakeCode 模式：观察 → 思考 → 行动
以下是你将在许多项目中重用的通用模式：
basic.forever(function () {
// Observation
const cm = robotPu.sonarDistanceCm()
// Thinking
let speed = 2
let turn = 0
if (cm > 0 && cm < 15) {
speed = -2
turn = 0.8
}
// Action
robotPu.walk(speed, turn)
})
"笨"机器人和"聪明"机器人之间的区别通常是思考步骤的质量。