人形机器人的遥操作结合了人类的认知技能和领域专业知识以及人形机器人的物理能力。这种人形机器人的操作多功能性使它们成为远程环境中各种应用的理想平台。然而，人形机器人的复杂性给遥操作带来了挑战，尤其是在通信受限的非结构化动态环境中。尽管在过去几十年中取得了许多进展，但目前仍缺乏全面的概述。

https://ieeexplore.ieee.org/document/10035484

这篇综述文章广泛地回顾了人形机器人遥操作，介绍了遥操作系统的通用架构，并分析了不同组件。文章还讨论了该主题的不同方面，包括技术和方法论的进展以及潜在的应用。

遥操作系统的通用架构主要包括以下组件：

用户（User）：操作员通过接口设备与机器人进行交互，负责设定遥操作的目标和意图。

接口（Interfaces）：用户与机器人之间的交互媒介，可以是各种传感器或输入设备，用于捕捉用户的动作和意图。

遥操作架构（Teleoperation Architecture）：通常包括以下子组件：

人体运动学和动力学测量（Human Kinematics and Dynamics Measurements）：测量用户的动作和力量，用于生成机器人运动的参考。

反馈接口（Feedback Interfaces）：向用户提供机器人状态和远程环境的信息，可以是视觉、触觉或听觉反馈。

重定向（Retargeting）：将用户的动作或测量数据转换为机器人运动的参考。

通信信道（Communication Channel）：传输用户与机器人之间的信息，可能会引入延迟和失真。

机器人建模（Robot Modeling）：建立机器人的数学模型，用于理解和预测机器人的运动和动力学行为。

重定向与规划（Retargeting and Planning）：将用户的指令转换为机器人可执行的任务和运动规划。

稳定器（Stabilizer）：确保机器人在执行任务时保持稳定，避免摔倒。

全身控制层（Whole-Body Control Layer, WBC）：根据重定向和稳定器的输出，生成机器人关节的控制指令。

底层关节控制器（Low-Level Joint Controller）：负责将上层控制指令转换为电机的驱动信号，确保关节的精确运动。

状态估计器、定位和地图构建（State Estimator, Localization, and Mapping）：使用传感器数据估计机器人的状态、位置和周围环境的地图。

评估（Evaluation）：对遥操作系统的性能进行评估，确保满足用户需求和提供有效的人机交互。

在遥操作系统中，确保机器人的稳定性和安全性是至关重要的，主要通过以下几个方面来实现：

稳定器（Stabilizer）：遥操作系统中的稳定器组件负责动态调整输入参考，以增强机器人的稳定性和平衡。稳定器通常基于不同的稳定性标准，如零力矩点（ZMP）或动态捕获点（DCM），来评估机器人的稳定性，并相应地调整机器人的运动。

全身控制层（Whole-Body Control Layer, WBC）：WBC通过优化问题来计算机器人的关节扭矩，同时考虑机器人的稳定性和任务执行的需求。这包括了对机器人全身运动的协调控制，以实现平衡和灵活性。

重定向与规划（Retargeting and Planning）：在将用户的动作转换为机器人的动作时，需要考虑机器人的物理限制和环境条件，以避免导致不稳定或危险的动作。

通信信道管理：在遥操作中，通信延迟和信息失真可能会影响机器人的稳定性。通过预测控制、自适应控制和其他通信策略来减少这些影响。

传感器融合和状态估计：使用传感器数据来估计机器人的状态，包括关节角度、速度、加速度和外部力。这些信息对于预测机器人的运动和避免碰撞或摔倒至关重要。

人机交互设计：设计直观易用的人机交互界面，确保操作者能够有效地控制机器人，并在必要时快速介入以防止事故发生。

安全协议和应急措施：制定明确的安全协议，包括在检测到潜在危险时自动停止机器人的运动，或者提供紧急断开连接的选项。

自主性和人工智能：在机器人系统中集成一定程度的自主性，使其能够在没有人类干预的情况下处理简单任务或在某些情况下自主避免风险。

模拟和测试：在实际部署之前，在模拟环境中对遥操作系统进行广泛的测试，以识别和解决可能影响稳定性和安全性的问题。

用户培训和指导：确保操作者接受适当的培训，了解如何安全地控制机器人，并能够对机器人的行为做出适当的反应。

通过这些方法，遥操作系统能够确保在执行任务的同时，机器人保持稳定和安全，减少事故风险，并提高人机协作的效率。