贾亚森的博客

行星减速电机与谐波减速电机区别

Wed, 27 May 2026 18:45:07 +0000

行星减速电机和谐波减速电机，核心区别在于它们内部的减速机构不同。这就导致了它们在精度、刚性、成本和应用上，有非常明显的差异。

简单打个比方：

行星减速电机：像团队协作，几个齿轮共同分担，力量大、刚性好、成本适中。
谐波减速电机：像柔性变形，靠一个零件弹性变形来传动，精度极高、零背隙，但成本高、不耐冲击。

具体区别如下：

1. 结构与原理

行星减速：由中心的太阳轮、环绕的多个行星轮、外圈的内齿圈构成。通过多个齿轮同时啮合来传递动力，实现减速。
谐波减速：主要由刚性的刚轮、柔性的柔轮和椭圆形的波发生器三部件组成。波发生器转动，使柔轮产生弹性形变，与刚轮啮合。刚轮与柔轮的巨大齿数差，带来了很高的减速比。

2. 性能核心差异

精度与背隙
- 行星：有微小的回程间隙（背隙），高精密型的能做到1弧分以内，普通型约3-5弧分。
- 谐波：理论上零背隙，重复定位精度极高，适合要求绝对精准的场合。
扭矩与刚性
- 行星：多齿啮合，刚性高、抗冲击能力强，能承受剧烈的启停和负载变化。
- 谐波：柔轮在持续变形中工作，刚性相对较低，怕冲击过载，否则柔轮会过早疲劳失效。
减速比
- 行星：单级通常3-10:1，多级串联可达几百。极低减速比（如10:1以下）是它的优势。
- 谐波：单级就能做到50-320:1，并且体积非常小。这是它最大的优势之一。
体积和重量
- 行星：要达到高减速比，就得串联多级，体积和重量会成倍增加。
- 谐波：单级即可获得极高减速比，体积小、重量轻，这对机器人关节至关重要。
效率和寿命
- 行星：传动效率高，通常大于95%，寿命长。
- 谐波：因柔轮变形会有摩擦损耗，效率约70-90%，且柔轮是易损件，有固定寿命。 3. 价格与应用
行星：成本较低，通用性强。广泛用于数控机床、激光切割、包装印刷、AGV（自动导引车）等领域。
谐波：制造工艺复杂，价格昂贵。主要用在工业机器人、协作机器人、航天、医疗设备等对精度和轻量化要求极高的场景。

总结怎么选：

选行星：需要承受冲击、重载，追求刚性、低成本和中等精度，或需要很低减速比时。
选谐波：追求极致精度、零背隙、极小体积和重量，不在乎成本，且负载平稳无冲击时。典型的应用就是机器人手臂的轴关节。

行星减速电机与谐波减速电机在转动惯量、阻尼和摩擦损耗上的区别

对于谐波减速电机和行星减速电机，它们在“电枢”上的差异不大，但在“阻尼”和“摩擦损耗”上则有本质区别，根本原因在于两者截然不同的传动原理：谐波是“柔性传动”，而行星是“刚性传动”。

下面为你详细拆解这三个方面的核心差异。

⚙️ “转动惯量”特性对比：基本原理相同

在“电枢”层面，两类电机都遵循相同的物理和电磁规律，本质上没有区别。

核心构成一致：无论搭配哪种减速器，减速电机本身通常采用标准的直流无刷或有刷电机。其电枢的核心组成部分——绕组、磁钢和换向结构——在基本功能和设计原则上并无二致。
选型时的不同考量：虽然在电机本体上差异不大，但选择搭配哪种减速器会直接影响最终的电枢设计参数。例如：
- 谐波减速器的减速器的惯量较小，但由于减速比很大，最终的输出端转动惯量也会较大。
- 相比之下，行星减速电机的减速比较低，输出端转动惯量也较小。因此，当讨论“电枢”时，我们更多是将其视为整个驱动系统的一部分，它与减速器的匹配方式会影响最终的参数选择。

🛡️ “阻尼”特性对比：柔性滞后 vs. 刚性响应

这里的“阻尼”主要形容整个系统的动态响应特性，即当受力时，系统是如何“阻止”或“缓和”这种运动的。

谐波减速电机：高阻尼与柔性滞后
- 来源：谐波减速器的柔性传动方式会引入显著的柔性、共振和结构性阻尼非线性，这赋予了系统类似“柔性缓冲”的高阻尼特性。
- 效应：这种高阻尼赋予谐波减速电机出色的抗振性和稳定性。实测数据显示，在相同减速比下，谐波减速器驱动的机械臂抖动比行星方案少约一半。这也意味着系统对外部冲击的响应更平缓，实现更平稳的启停和速度切换。
- 代价：这种高阻尼是以牺牲一定的响应速度为代价的，系统对快速指令的响应可能略显“滞后”。
行星减速电机：低阻尼与刚性响应
- 来源：行星减速器依靠齿轮刚性啮合，系统刚度高，阻尼主要来源于齿轮啮合时的滑动摩擦和轴承损失。
- 效应：较低的系统阻尼带来了更直接的力传递和更快的动态响应，能够迅速跟随控制指令。
- 代价：由于缺乏柔性缓冲，系统在高速启停时更容易产生过冲和较大的冲击力，需要进行更精细的控制。

🔩 “Friction Loss”摩擦损耗对比：多个环节 vs. 核心环节

两种减速器的摩擦损耗（能量以热的形式耗散）特性截然不同，这直接决定了它们的效率和发热表现。

谐波减速电机：来源复杂且显著
- 来源：摩擦损耗主要来自柔轮周期性变形产生的弹性滞后耗散，以及在轴承和啮合齿对之间的摩擦。
- 效应：高效率设计下，谐波减速器传动效率普遍在85%左右，但在连续高负载下发热明显，这在应用中是需要重点考虑的散热问题。
行星减速电机：来源单一且较低
- 来源：损耗主要来自齿轮啮合的滑动摩擦和轴承损失。
- 效应：由于主要是滚动摩擦，行星减速器能量损失极小，单级传动效率可高达95% - 98%。这带来了两个关键优势：一是能量利用率极高，适合长时间运行；二是发热量低，工作温升更小。

📊 特性总结

特性维度	谐波减速电机	行星减速电机
转动惯量	高转速需求、电机散热是难点	常规转速、选型相对宽松
系统阻尼	高阻尼（柔性缓冲、抗振性好）	低阻尼（刚性直接、响应更快）
摩擦损耗	较高（源于弹性滞后与摩擦，85% 效率）	较低（源于齿轮滚动，95-98% 效率）

总的来说，谐波减速电机在动态特性上更像一个自带“柔性缓冲”的系统，能提供平滑精密的运动；而行星减速电机则像一个“刚性直驱”的系统，以高效高刚性的特点胜任重载高速场景。

直驱电机与准直驱电机

Sun, 17 May 2026 15:53:59 +0000

直驱电机和准直驱电机（QDD，即Quasi Direct Drive）是机器人关节驱动领域的两种先进方案。它们的核心区别在于如何权衡性能、体积与控制：

直驱电机追求极致性能，但可能会体积大、成本高。
准直驱电机则通过一个“小减速器”取得了精妙的工程平衡，是目前多数高性能机器人（如人形机器人、四足机器狗）的主流选择。

具体区别如下：

直驱电机 (Direct Drive)

结构原理：没有中间传动环节（如减速器、皮带等），完全依靠电磁力产生扭矩并直接驱动关节相连的负载。
优势：精度极高，零背隙，响应迅速；传动刚性高，控制带宽宽；无传动损耗，效率高，无传动部件磨损，维护工作量小，可靠性高。
劣势：必须完全依靠电磁力产生扭矩，导致体积大、重量重；大电流需求带来热管理压力；成本高，控制难度极大。
典型应用：较少单独用作关节，更多用于对精度和动态性能有极高且成本不敏感的场景，如高端数控机床、半导体设备等。

准直驱电机 (Quasi Direct Drive)

结构原理：采用“高扭矩密度电机 + 低减速比减速器（通常在3:1到10:1之间）”的组合方案，是纯直驱和高减速比方案的折中。
优势：通过小减速比放大扭矩，体积紧凑实用；保留可回驱性（正向电机驱动关节，反向关节受力反馈至电机感知交互力）、低惯量和高控制带宽；凭借出色的力透明度，可省去昂贵的力矩传感器，通过电机电流估算扭矩实现低成本力控。
劣势：扭矩放大作用小，峰值扭矩和精度通常略低于刚性执行器（如谐波方案）；电流环力控精度存在约2%-5%的误差。
典型应用：目前动态机器人的主流方案，广泛用于四足机器狗、人形机器人的关节。

准直驱 (QDD) 的“巧妙平衡”

兼具两类驱动的优势：融合了刚性驱动器的结构简单、高扭矩密度特点，以及弹性驱动器的柔顺性和抗冲击能力。
兼顾性能、成本与控制的方案：通过低减速比设计保持系统的力透明度，既能实现高动态运动控制，又显著降低了成本，非常契合商业化和高性能应用需求。

深度相机有单目的深度相机吗？为什么好多深度相机都是双目深度相机？

Sat, 11 Apr 2026 21:15:04 +0000

是的，单目深度相机确实存在，但其“深度感知”方式与双目相机截然不同。而双目方案更常见，主要在于它能在精度、鲁棒性和系统集成度之间取得更好的平衡。

🧐 单目深度相机如何“看”深度？

单目相机无法直接测量深度，它需要借助额外信息来“推断”，主流方案有两种：

主动探测式：自身投射结构光或ToF（飞行时间）红外光，通过分析反射光模式变化或光飞行时间来计算距离。例如奥比中光Astra Mini系列和博升光电iHawk 100系列等产品就采用了这类方案。
被动推测式：不主动发光，而是分析普通2D图像来推测深度。
- 运动推断法 (Structure from Motion, SfM)：通过相机自身移动，分析多帧图像的差异来估算物体距离。
- 单帧深度估计法 (Monocular Depth Estimation)：利用深度学习模型，通过分析物体大小、遮挡关系等线索，直接从单张照片推测出深度信息。

🔑 核心优势 单目方案最大的优势在于硬件简单、成本低、体积小，有利于设备的轻量化设计。

⚙️ 双目深度相机如何“算”深度？

双目相机的原理则更直观，它模拟人类双眼的视差（Disparity），基于三角测量原理进行计算。

计算视差：比较同一物体在左右两个摄像头图像中的位置差异，通过算法匹配两图中的同一点。
三角测距：利用相似三角形公式 Z = (f * b) / d 计算出物体的距离。

其测量精度与**基线距离（b）和镜头焦距（f）**直接相关。这种直接测量的物理机制，带来了以下关键优势：

直接且稳定：不依赖先验知识或训练数据，测量结果更可靠。
环境适应性强：相比主动式方案，更不易受强环境光干扰。
尺度确定性：能直接算出物体的真实距离和尺寸，没有单目方案的“尺度模糊”问题。
性能均衡：在精度、成本和环境适应性之间找到了一个较优的平衡点。

📊 四种方案全方位对比

对比维度	单目被动推测式 (Monocular Passive)	单目主动探测式 (Monocular Active)	双目立体视觉 (Stereo Vision)
硬件组成	单个普通摄像头	单个摄像头 + 激光发射器/红外投影仪	两个摄像头
深度原理	基于深度学习算法从2D图像“推测”深度	主动发射并接收反射光，计算时间差或图案形变	基于两个摄像头的视差进行三角测量“计算”深度
精度与鲁棒性	较低，高度依赖算法和训练数据，可能失效	高（特定距离内），但易受环境光干扰	较高，在纹理丰富的场景下效果好
环境适应性	较差，依赖图像特征，弱光、低纹理场景困难	室内表现佳，但阳光下受红外光干扰严重	较好，被动方案在自然光和室外表现良好
成本与功耗	成本最低，功耗低	成本较高，因主动光源功耗更高	成本中等，但算力要求高

💎 总结

总的来说，双目深度相机因其直接、稳定、确定的物理测量机制，在众多应用场景下表现更均衡。而单目深度相机（无论是主动还是被动）凭借其轻量化和低成本的优势，在对体积、功耗和成本有严格要求的场景中拥有独特的价值。

公众号文章

Wed, 25 Mar 2026 15:48:15 +0000

起底智元机器人，谁在推动一个庞然大物向前

Mon, 01 Jan 0001 00:00:00 +0000

记录一些思考的碎片

Mon, 01 Jan 0001 00:00:00 +0000

优化warp动态物体采样

对比不同方法下采样动态物体的耗时：

每个环境的每个geom都创建一个mesh，在update_dynamic_mesh时对每个mesh都更新point和调用refit

[WarpHeightQuery] Timing Statistics (after 200 queries):
  Total query time:     9.091 ms
  Update mesh:          8.739 ms (96.1%)
  Launch kernel:        0.084 ms (0.9%)
  Synchronize:          0.070 ms (0.8%)
  Post-process:         0.198 ms (2.2%)
  Throughput:           70398 rays/sec

每个环境的所有geom创建一个合并的mesh，在update_dynamic_mesh时对每个环境的合并mesh更新point和调用refit

[WarpHeightQuery] Timing Statistics (after 300 queries):
  Total query time:     8.017 ms
  Update mesh:          7.648 ms (95.4%)
  Launch kernel:        0.120 ms (1.5%)
  Synchronize:          0.072 ms (0.9%)
  Post-process:         0.175 ms (2.2%)
  Throughput:           79832 rays/sec

所有环境的所有geom合并为一个mesh，在update_dynamic_mesh对合并的mesh更新point和调用refit

[WarpHeightQuery] Timing Statistics (after 300 queries):
  Total query time:     3.949 ms
  Update mesh:          1.120 ms (28.4%)
  Launch kernel:        2.126 ms (53.8%)
  Synchronize:          0.532 ms (13.5%)
  Post-process:         0.170 ms (4.3%)
  Throughput:           162050 rays/sec

使用capture_launch的方法来调用kernel的计算，而不是每次都launch一个kernel

[WarpHeightQuery] Timing Statistics (after 300 queries):
  Total query time:     1.309 ms
  Update mesh:          1.157 ms (88.4%)
  Launch kernel:        0.017 ms (1.3%)
  Synchronize:          0.000 ms (0.0%)
  Post-process:         0.133 ms (10.2%)
  Throughput:           489029 rays/sec

这种性能下开启train.py, 4096个环境，每个环境添加1个box，一个ite耗时40s左右。 1024个环境，每个环境添加1个box，一个ite耗时3s左右。

修改了判断dynamic_mesh的bug，将terrain的mesh从dynamic_mesh中去除

[WarpHeightQuery] Timing Statistics (after 300 queries):
  Total query time:     0.999 ms
  Update mesh:          0.831 ms (83.2%)
  Launch kernel:        0.017 ms (1.7%)
  Synchronize:          0.000 ms (0.0%)
  Post-process:         0.150 ms (15.0%)
  Throughput:           640487 rays/sec

这种性能下开启train.py, 4096个环境，每个环境添加1个box，一个ite耗时20s左右。 1024个环境，每个环境添加1个box，一个ite耗时2.3s左右。

kernel中使用的参数不能改变引用，只能改变这个参数的值。也就是可以使用self.a[:] = b[:]这种操作，但是不能使用self.a = b这种操作，因为会改变self.a的引用。

opencode中使用tecent coding plan的Kimi K2.5模型，context达到40%以上之后回复会变得特别慢

20260526(优化动态越障任务)

修复了bug后，机器人现在可以在静态地形下追踪静态目标点。但是直接转到动态地形后效果不好，考虑添加课程学习。