企业官网建设流程全解析

Isaac Lab 操作空间控制器（OSC）实战：同时控制机械臂末端位姿与接触力

【免费下载链接】IsaacLabUnified framework for robot learning with multi-physics/renderer support项目地址: https://gitcode.com/GitHub_Trending/is/IsaacLab

本篇教程基于 Isaac Lab 的run_osc.py示例，讲解如何利用OperationalSpaceController（操作空间控制器）驱动机械臂，在跟踪期望末端位姿的同时，对倾斜墙面施加恒定接触力（模拟擦桌子等接触作业）。读完本文，你将掌握 OSC 的核心原理、OperationalSpaceControllerCfg全量配置参数、与差分 IK 控制器的区别，以及如何在 Isaac Lab 仿真环境中完成"力/位混合控制"的完整闭环。

为什么需要操作空间控制器

在 Isaac Lab 中，差分 IK 控制器教程 通过运动学求解将末端位姿映射为关节位置指令，适用于纯轨迹跟踪场景。但以下任务场景中差分 IK 并不够用：

• 需要强制指定任务空间的位姿跟踪误差动力学（如保证末端以指定刚度、阻尼特性逼近目标）；
• 需要用关节力矩/力（effort/torque）指令直接驱动机器人；
• 需要在一个方向上控制运动、同时在其他方向施加接触力（例如用抹布擦桌面、墙面抛光等接触作业）。

此时就需要操作空间控制器（Operational Space Controller，OSC）。OSC 的理论基础是 Khatib 于 1987 年提出的操作空间公式（Operational Space Formulation），它把任务空间（笛卡尔空间）的期望动力学映射到关节空间力矩。控制器实现及配置定义于：

• 控制器实现
• 控制器配置

本教程将复用OperationalSpaceController，让 Franka Panda 机械臂对一面红色倾斜墙持续施加垂直于墙面（沿任务帧 z 轴）的恒定力，同时在其他五个方向跟踪期望末端位姿。

运行示例：搭建场景并驱动 128 台机器人

示例脚本位于 scripts/tutorials/05_controllers/run_osc.py，通过仓库根目录下的启动脚本运行：

./isaaclab.sh -p scripts/tutorials/05_controllers/run_osc.py --num_envs 128

脚本将启动包含 128 台机器人的并行仿真环境。场景构成（SceneCfg）包括：

• 地面平面（GroundPlaneCfg）与半球光（DomeLightCfg）；
• 一面半透明红色倾斜墙（CuboidCfg），尺寸为 2.0 × 1.5 × 0.01 m，启用碰撞与接触传感器，姿态四元数(0, -0.3827, 0, 0.9239)（绕 y 轴旋转约 45°），位置(0.685, 0, 0.3)；
• 一个ContactSensorCfg（prim_path="/World/envs/env_.*/TiltedWall"，history_length=2）用于读取接触力；
• Franka Panda 机械臂：关键设定是把panda_shoulder、panda_forearm驱动器的刚度与阻尼清零（力矩控制模式），并关闭重力（disable_gravity=True），使关节完全由 OSC 输出的力矩指令驱动。

仿真循环中，机械臂将在三组目标（三个不同的末端位姿，均对应墙面上不同的接触点）之间循环切换。运行结果中，当前与目标末端位姿通过帧标记（frame marker）显示，你将看到机械臂到达目标位姿的同时保持垂直于墙面施加恒定力。运行效果如下：

停止仿真只需关闭窗口或在终端按下Ctrl+C。

创建操作空间控制器：OperationalSpaceControllerCfg 全参数解析

OperationalSpaceController的任务是在任务空间内同时进行运动控制与力控制，输出关节力矩。任务空间参考系（task frame）可以是欧氏空间中的任意坐标系，默认取机器人基座坐标系。当目标坐标相对其他坐标系更容易定义时（例如本教程中墙面平行坐标系），应在set_command的current_task_frame_pose_b参数中提供该任务参考系相对基座的位姿。本教程中，目标位姿与墙面同姿态，将其作为任务帧后，力控制方向恰好只落在任务帧的 z 轴，全部配置参数都围绕这一任务参考系展开。

控制器在 operational_space.py 中以批处理 + PyTorch 运算实现，天然支持并行环境（num_envs）。

target_types：任务空间目标类型

指定任务空间目标的类型与参考系，由"类型 + 参考"两个子串用下划线拼接：

若需同时做位姿与力控制，将target_types设为列表，如["pose_abs", "wrench_abs"]或["pose_rel", "wrench_abs"]。各目标的命令向量按target_types顺序拼接，action_dim为各目标维度之和（见下节）。

本教程使用target_types=["pose_abs", "wrench_abs"]：除 z 轴外的五个方向做绝对位姿控制，z 轴做绝对力控制。

控制轴选择：motion_control_axes_task 与 contact_wrench_control_axes_task

用 0/1 长度为 6 的列表分别指定运动控制与力控制作用的轴（顺序为 x、y、z 平动 + 绕 x、y、z 转动）。两列表应互补：例如 x 轴若motion_control_axes_task为 0，则contact_wrench_control_axes_task应为 1。

本教程中：

motion_control_axes_task=[1, 1, 0, 1, 1, 1], # 除 z 平动外的所有轴做运动控制 contact_wrench_control_axes_task=[0, 0, 1, 0, 0, 0], # 仅在 z 平动方向做力控制

注意：源码中会将增益矩阵与选择矩阵相乘，把非运动控制轴的增益清零（operational_space.py第 95-97 行），避免因轴间耦合导致未控制轴产生意外力矩。

运动控制：刚度、阻尼比与阻抗模式

运动控制轴上的期望刚度（stiffness）与阻尼比（damping ratio）通过以下参数设置：

• motion_stiffness_task：位置增益（N/m 或 N·m/rad），可为标量（所有轴相同）或 6 元素列表，默认100.0 × 6；
• motion_damping_ratio_task：阻尼比，配合位置增益计算速度增益：d_gains = 2 * sqrt(p_gains) * damping_ratio，默认1.0 × 6。

若希望刚度/阻尼比作为命令参数动态改变（例如用 RL 学习阻抗或运行中在线调整），设置impedance_mode：

使用"variable_kp"/"variable"时必须同时设置：

• motion_stiffness_limits_task：刚度上下限，默认(0, 1000)；
• motion_damping_ratio_limits_task：阻尼比上下限，默认(0, 100)（仅"variable"使用）。

命令中的刚度/阻尼比会被裁剪到上述范围内（见operational_space.py第 224-227、243-248 行）。

本教程设置impedance_mode="variable_kp"、motion_damping_ratio_task=1.0（阻尼比固定为 1，kd 随 kp 自适应，维持临界阻尼响应），并在命令中动态传入三组 kp：360、420、320（每个目标一组）。

力控制：开环与闭环

• 开环力控制：不设置contact_wrench_stiffness_task（保持None），直接输出期望力；
• 闭环力控制：设置contact_wrench_stiffness_task（标量或 6 元素列表），在期望力上叠加刚度 × 期望力与实测力之差（含前馈项），形成反馈修正。

由于目前接触传感器只能测量线性力、无法测量力矩，闭环控制仅使用contact_wrench_stiffness_task的前三个元素（线性部分），力矩方向保持开环（见operational_space.py第 459-472 行）。

本教程设置contact_wrench_stiffness_task=[0.0, 0.0, 0.1, 0.0, 0.0, 0.0]：仅对 z 轴力做闭环反馈（增益 0.1），期望力为任务帧 z 轴方向 10 N。

惯性动力学解耦（inverse dynamics）

• inertial_dynamics_decoupling=True：利用机器人的质量/惯性矩阵解耦任务空间的期望加速度（逆动力学），计算操作空间质量矩阵M_task = (J M⁻¹ Jᵀ)⁻¹，再得到F = M_task · ẍ_des。这对快速运动下的控制精度至关重要，解耦覆盖全部六个运动轴之间的耦合；
• partial_inertial_dynamics_decoupling=True：忽略平动与转动之间的惯性耦合，分别计算平移与旋转部分（如 测试用例 test_franka_pose_abs_with_partial_inertial_decoupling 所示）。

若为False，则退化为不包含惯性项的任务空间阻抗控制（命令力直接等于期望加速度）。本教程使用inertial_dynamics_decoupling=True且partial_inertial_dynamics_decoupling=False，做完整惯性解耦。

重力补偿

gravity_compensation=True时，将重力补偿向量gravity叠加到关节力矩中。本教程中机器人的重力已在场景配置中关闭（disable_gravity=True），因此不启用。

冗余机械臂的零空间控制

零空间（null-space）是关节空间中不影响任务空间坐标的子空间。若不加以控制，冗余关节会"飘浮"（甚至逼近关节限位）。有两种选择：

• nullspace_control="none"（默认）：不施加零空间控制；
• nullspace_control="position"：集成零空间 PD 控制器，把关节吸引到期望位置而不影响任务空间。

零空间行为由nullspace_stiffness（默认 10.0）与nullspace_damping_ratio（默认 1.0）定义。理论上的零空间与任务空间完全解耦，仅在inertial_dynamics_decoupling=True且partial_inertial_dynamics_decoupling=False时成立（此时使用动力学一致的伪逆，否则退化为 Moore-Penrose 伪逆，见operational_space.py第 498-505 行）。

本教程设置nullspace_control="position"，将关节目标设为关节限位中心：

joint_centers = torch.mean(robot.data.soft_joint_pos_limits.torch[:, arm_joint_ids, :], dim=-1)

本教程的完整配置

osc_cfg = OperationalSpaceControllerCfg( target_types=["pose_abs", "wrench_abs"], impedance_mode="variable_kp", inertial_dynamics_decoupling=True, partial_inertial_dynamics_decoupling=False, gravity_compensation=False, motion_damping_ratio_task=1.0, contact_wrench_stiffness_task=[0.0, 0.0, 0.1, 0.0, 0.0, 0.0], motion_control_axes_task=[1, 1, 0, 1, 1, 1], contact_wrench_control_axes_task=[0, 0, 1, 0, 0, 0], nullspace_control="position", ) osc = OperationalSpaceController(osc_cfg, num_envs=scene.num_envs, device=sim.device)

控制器实例化需要三个参数：配置、环境数num_envs与计算设备device。所有配置字段的完整说明见 operational_space_cfg.py。

更新机器人状态：向控制器喂入动力学量

OperationalSpaceController是纯计算类，不持有机器人内部状态，需要调用方在每个控制周期提供（全部在机器人基座/root 坐标系下）：

• 末端雅可比矩阵jacobian_b（root 系，形状num_envs × 6 × num_DoF）；
• 关节空间质量/惯性矩阵mass_matrix（num_envs × num_DoF × num_DoF）；
• 重力补偿向量gravity（num_envs × num_DoF）；
• 末端位姿current_ee_pose_b（num_envs × 7，位置 + 四元数）；
• 末端速度current_ee_vel_b（num_envs × 6，线速度 + 角速度）；
• 末端接触力current_ee_force_b（num_envs × 3）；
• 关节位置/速度current_joint_pos、current_joint_vel；
• （可选）零空间关节目标位置nullspace_joint_pos_target与重力向量。

示例脚本中的update_states()函数负责从 Isaac Lab 的Articulation与ContactSensor提取这些量，关键步骤包括：

1. Jacobian 提取与坐标系转换：取body_link_jacobian_w中末端连杆对应的块（注意固定基座机器人的基座自由度偏移num_base_dofs），再用matrix_from_quat(quat_inv(root_quat_w))将旋转部分与世界坐标下的 Jacobian 从世界系旋转到 root 系；
2. 质量矩阵与重力向量：从robot.data.mass_matrix、robot.data.gravity_compensation_forces中按臂关节索引切片；
3. 末端位姿/速度：用subtract_frame_transforms将世界系末端位姿转换到 root 系；速度用quat_apply_inverse把"末端相对 root 的相对速度"从世界系旋转到 root 系；
4. 接触力：更新接触传感器后，对历史窗口（history_length=2）内的净接触力取平均再取三面最大值，得到平滑的末端接触力（脚本注释说明这是为了测试所做的简化处理）。

设置命令与计算关节力矩：控制循环三要素

OSC 将"设置期望命令"与"计算关节指令"分离，这是使用该控制器的关键编程约定。

1. 组装并转换目标命令

命令向量是一个形状为(num_envs, action_dim)的张量，内容按target_types顺序拼接。本教程的impedance_mode="variable_kp"，因此命令为pose_abs(7) + wrench_abs(6) + kp(6) = 19维。每组目标定义为：

ee_target_set = torch.cat([ee_goal_pose_set_tilted_b, ee_goal_wrench_set_tilted_task, kp_set_task], dim=-1)

期望力已在任务帧中定义（ee_goal_wrench_set_tilted_task，仅 z 轴为 10 N），而期望位姿定义在基座系。convert_to_task_frame()用subtract_frame_transforms把位姿目标从基座系转换到任务帧（即目标位姿本身作为任务参考系），命令全部统一到任务帧：

command, task_frame_pose_b = convert_to_task_frame(osc, command=command, ee_target_pose_b=ee_target_pose_b)

2. 设置 OSC 命令

将任务帧下的命令向量、末端当前位姿（基座系）与任务参考系位姿（基座系）一起交给set_command。内部计算在基座系完成，因此需要任务帧相对基座的位姿用于坐标变换（包括增益矩阵、选择矩阵的旋转变换与期望力/力矩的传递，见operational_space.py第 293-345 行）：

osc.set_command(command=command, current_ee_pose_b=ee_pose_b, current_task_frame_pose_b=task_frame_pose_b)

3. 计算关节力矩并施加

compute()在内部依次完成：运动控制（末端位姿误差 + 弹簧阻尼动力学 → 惯性解耦 → 经选择矩阵与 Jacobian 转置映射到关节力矩）、力控制（开环或带前馈的闭环力修正同样映射到关节力矩）、重力补偿叠加、零空间控制叠加，最终返回(num_envs, num_DoF)的关节力矩：

joint_efforts = osc.compute( jacobian_b=jacobian_b, current_ee_pose_b=ee_pose_b, current_ee_vel_b=ee_vel_b, current_ee_force_b=ee_force_b, mass_matrix=mass_matrix, gravity=gravity, current_joint_pos=joint_pos, current_joint_vel=joint_vel, nullspace_joint_pos_target=joint_centers, ) # 施加关节力矩（仅作用于臂关节），并写回仿真 robot.set_joint_effort_target_index(target=joint_efforts, joint_ids=arm_joint_ids) robot.write_data_to_sim()

重置与目标切换

仿真每 500 步重置一次：将关节状态恢复默认值、力矩清零、重置接触传感器，随后重新计算目标命令并调用osc.reset()清空内部目标缓存，再重新set_command。目标索引通过current_goal_idx在三个目标间循环（next_goal_idx = (current_goal_idx + 1) % len(ee_target_set)）。

从控制器到动作项：OSC 在 RL 环境中的封装

除脚本级使用外，Isaac Lab 还将 OSC 封装为 Manager-based RL 环境的动作项（Action Term），配置类为 OperationalSpaceControllerActionCfg（实现位于task_space_actions.py的OperationalSpaceControllerAction）。其关键字段：

• joint_names：动作映射到的关节列表（支持正则）；
• body_name：执行运动/力控制的末端连杆/坐标系名称；
• body_offset：末端坐标系相对父刚体的偏移（很多机器人的末端是虚构坐标系，如 Franka 的末端相对panda_hand存在偏移）；
• task_frame_rel_path：指定任务参考系对应的RigidObject路径（如一面墙）；
• controller_cfg：内嵌的OperationalSpaceControllerCfg；
• position_scale/orientation_scale/wrench_scale/stiffness_scale/damping_ratio_scale：对各类命令的缩放因子；
• nullspace_joint_pos_target：零空间关节目标策略，取"none"/"zero"/"default"/"center"（仅当nullspace_control="position"时生效）。

验证与测试：仓库中的 OSC 覆盖矩阵

仓库测试 test_operational_space.py 系统验证了 OSC 的各种组合模式，可作为理解各配置项行为的最佳参照：

• test_franka_pose_abs_without_inertial_decoupling：固定阻抗 + 无惯性解耦的绝对位姿控制；
• test_franka_pose_abs_with_partial_inertial_decoupling：部分惯性解耦；
• test_franka_pose_abs_fixed_impedance_with_gravity_compensation：启用重力补偿（机器人不关闭重力）；
• test_franka_pose_abs/test_franka_pose_rel：绝对/相对位姿 + 完整惯性解耦；
• test_franka_pose_abs_variable_impedance：variable阻抗模式（命令含 kp 与阻尼比）；
• test_franka_wrench_abs_open_loop/test_franka_wrench_abs_closed_loop：纯力控制的开环与闭环模式；
• test_franka_hybrid_decoupled_motion、test_franka_hybrid_variable_kp_impedance：位姿 + 力混合控制（固定阻抗 / variable_kp）；
• test_franka_taskframe_pose_abs、test_franka_taskframe_pose_rel、test_franka_taskframe_hybrid：以任务参考系（非 root 系）定义目标的位姿控制与混合控制。

例如混合控制测试使用的配置与教程配置高度一致（target_types=["pose_abs", "wrench_abs"]、contact_wrench_stiffness_task=[0.1, 0, 0, 0, 0, 0]、互补的控制轴），进一步印证了"运动轴与力轴互补 + 任务帧定义"这一 OSC 标准用法。

小结

本文围绕run_osc.py完整演示了 Isaac Lab 操作空间控制器的使用闭环：场景搭建 →OperationalSpaceControllerCfg配置（目标类型、控制轴、阻抗模式、惯性解耦、零空间控制）→ 机器人状态提取（Jacobian、质量矩阵、接触力）→ 任务帧命令转换 →set_command/compute力矩输出。关键要点可归纳为：

1. 运动与力控制通过互补的motion_control_axes_task与contact_wrench_control_axes_task划分任务空间六轴；
2. 任务参考系可自由选择（默认基座系），配合current_task_frame_pose_b传入即可简化目标定义；
3. 惯性解耦提升快速运动精度，且是零空间与任务空间理论解耦的前提；
4. 接触力闭环只作用于线性力方向（传感器测不到接触力矩）；
5. 冗余机械臂务必规划零空间控制策略，避免关节失控飘移。

进一步阅读可参考仓库中的 差分 IK 控制器教程 对比两类任务空间控制器的差异，以及 任务空间动作项封装 了解如何将 OSC 接入端到端强化学习训练。

【免费下载链接】IsaacLabUnified framework for robot learning with multi-physics/renderer support项目地址: https://gitcode.com/GitHub_Trending/is/IsaacLab