近年来，人形机器人正在成为AI硬件领域的新风口：从Figure 01的硅谷热潮、特斯拉Optimus的工业实验，到国内灵犀X1、Agibot等开源平台的推进，都让这个曾属于科幻电影的物种，真正走向落地。
一台高自由度的人形机器人，其硬件系统可粗略分为：旋转关节、线性关节、灵巧手、大脑、电池和结构件等，如图下图所示，本文按图所示的结构介绍人形机器人的整体硬件结构。
1 旋转关节 灵犀X1
在人类骨骼中，肩膀、肘部、膝盖这些位置就是“关节”。对于机器人而言，每一个关节模组，实际上就是一个具备自驱能力、姿态感知、精密输出的高集成部件，通常由驱动控制电 + 编码器 + 无框电机 + 减速器 + 力矩传感器(可选) + 输出法兰组成。本编旋转关节以智元灵犀X1的R86-2为例进行介绍，使旋转关节更具象化。
典型的人形机器人旋转关节一般由以下结构组成，以灵犀X1 R86-2为列：
1.1 驱动控制电路
在一个高度集成的旋转关节模组中，驱动控制电路是整个关节的“大脑与神经中枢”，它连接着电源、主控、编码器、电机与传感器，是实现关节精密运动控制的核心模块，主要有以下几个功能：
1.1.1 三环控制核心
在机器人关节控制中，所谓“三环控制”指的是由电流环（力矩）、速度环和位置环三层嵌套的伺服控制结构。 就像人类运动系统一样：
- 电流环好比肌肉的收缩力度（决定施力）；
- 速度环是动作的快慢（调节力量变化率）；
- 位置环则是最终关节要达到的位置目标。
驱动控制电路内部一般集成了一个高性能微控制器（MCU）或FPGA，执行电机的控制逻辑，通常包括：
| 控制环 | 控制对象 | 数据来源 | 输出结果 |
|---|---|---|---|
| 电流环 | 控制电机相电流（力矩） | 电流采样、PWM波形 | 产生期望力矩 |
| 速度环 | 控制转速（角速度） | 编码器数据 | 调整电流目标 |
| 位置环 | 控制角度位置 | 输出编码器 | 调整速度目标 |
在机器人关节控制系统中，位置环-速度环-电流环（合称“三环控制”）是实现精准伺服控制的标准框架。根据控制器部署位置不同，三环控制系统大致可分为以下三种典型形式：
在智元灵犀开源代码agibot_x1_infer中可以看出：其采用的是分布式控制，即上位机负责位置环和速度环，驱动器本地实现电流环闭环。
机器人关节驱动板（即底层的actuator/驱动器）主要实现了电流环（力矩/电流控制），而三环（位置-速度-电流）中的速度环和位置环控制逻辑并未在驱动板内实现，而是在上位机（DCU）侧完成。
在人形机器人中，将位置环与速度环放在上位机或 DCU 中，是为了实现全身行为的一体化规划与动态协调；而关节驱动器只保留快速执行所需的电流环控制，以获得高速、稳定、精确的响应能力。这种“全局规划 + 局部伺服执行”的模式，正是近年来像 Figure 01、Unitree H1、Digit、傅利叶 GR-1 等人形机器人广泛采用的控制趋势。
1.1.2 传感器数据读取和处理
在人形机器人关节模组中，驱动控制板（Drive Controller）是传感信息的融合处理器，对编码器和力矩传感器的数据进行采集，然后上传给上位机DCU等，在现代高性能机器人（尤其是人形机器人）的主流方案：
- 采集本关节的编码器数据和力矩传感器数据。
- 通过总线（如CAN、EtherCAT等）上传这些数据给上位机（DCU）。
- 接收上位机（DCU）下发的期望参数（位置、速度、力矩、Kp、Kd）。
- 在本地只实现电流环（力矩环）控制，确保电机电流/力矩能快速准确跟随上位机指令。
驱动器收到这些参数后，只做底层电流环控制，让电机电流/力矩快速跟随上位机的期望值。刚度Kp、阻尼Kd等参数，通常用于实现“软硬切换”或阻抗控制，驱动器只是按上位机要求执行，不做高层决策。
软硬切换：“软硬切换”是指通过实时调整关节的刚度（Kp）和阻尼（Kd）控制参数，使关节在“刚性控制”（Hard Mode）与“柔顺控制”（Soft Mode）之间切换，从而在不同应用场景下实现性能与安全性的权衡。
阻抗控制: 是一种让机器人关节/末端对外界力产生“弹簧-阻尼”响应的控制方法，灵巧手、协作机器人等高端应用，通常会在关节或末端安装六维力/力矩传感器，实现更高精度的阻抗控制
1.1.3 电源管理与保护
驱动控制电路直接连接直流母线（如48V或24V），因此必须具备：
- 过流保护
- 过温保护
- 欠压/过压保护
- 电源软启动
- 霍尔/电流传感器接口
部分设计会加入MOS/IGBT控制模块与散热片，支持峰值几十安培的输出电流，保证快速响应同时不损坏器件。
1.2 编码器数据处理
人形机器人中，编码器是关节“感知自身运动”的传感器。它用于实时测量关节的位置、速度和（部分结构下）方向信息，作为驱动器控制电流环/速度环/位置环的基础反馈。没有编码器，机器人无法知道自己的关节转了多少、快慢如何、当前在什么角度上，自然无法精准控制。
机器人关节常用的编码器有两种：
- 增量式编码器：输出脉冲信号，通过计数获得相对位移。
- 绝对式编码器：输出唯一的角度值，直接获得绝对位置。
编码器的主要作用包括：
| 功能 | 描述 |
|---|---|
| 角度测量 | 获取电机转子或输出轴当前角度 |
| 速度估计 | 由位置变化推导速度，用于速度环 |
| 零位对齐 | 上电校准、判断绝对角度 |
| 力矩估计支持 | 配合电流、减速比估算输出力矩 |
编码器的常见分类
| 维度 | 类型 | 特点 |
|---|---|---|
| 测量方式 | 增量式（ABZ） | 只记录位置变化，需上电归零 |
| 绝对式 | 上电即知绝对角度，免归零 | |
| 输出形式 | 光电编码器 | 高精度，但较大、易进灰 |
| 磁编码器 | 小型、抗干扰，但精度略低 | |
| 安装位置 | 输入轴编码器 | 安装在电机轴，用于电机控制 |
| 输出轴编码器 | 安装在关节输出端，用于精确控制与力控 |
在人形机器人中，旋转关节最常见的是： 绝对值磁编码器 + 输入轴安装方式，兼顾成本、体积与功能，如上图所以的灵犀X1 R86-2中的磁式多圈绝对值编码器，其原理如下：
- 三个齿轮是编码器的多级齿轮组，用于实现“多圈绝对值”功能，其中外圈的两个齿轮中每个齿轮的中心都嵌有一个小型永磁体（通常为圆柱形或圆片形磁铁），当驱动控制板安装后，磁体正好对应着驱动板上的磁角度传感器：
- 磁角度传感器利用霍尔效应或磁阻效应，感知磁铁的极性和方向。
- 当齿轮（带磁铁）旋转时，磁铁的磁场方向随之变化，传感器可以检测到磁场的变化，并将其转换为角度信号。
- 这种方式可以实现无接触、无磨损、高精度的角度测量。
- 电机轴带动第一级齿轮旋转，第一级齿轮和第二级齿轮之间有特定的齿数比（比如1:a），第二级和第三级也有特定齿数比（比如1:b）。
- 每个齿轮+磁铁+磁编码器芯片，测量一个“进位”级别的角度。
- 通过齿轮比（如1: a : b），实现多圈绝对值测量。
- 电路板上有两个磁角度传感器，分别读取每个齿轮的角度。
- MCU将这几个角度合成，得到总的多圈绝对位置。
- 优点
- 无接触：磁铁和传感器之间没有物理接触，寿命长，抗灰尘、油污能力强。
- 高精度：单圈精度可达0.1°甚至更高，多圈精度取决于齿轮比和机械精度。
- 断电记忆：只要齿轮不动，断电后位置不会丢失。
1.3 无框电机
无框电机是一种特殊的无刷电机（BLDC），它没有传统意义上的机壳（Frame）、输出轴。它仅由定子和转子两部分组成，通常嵌入机器人关节、无人机或医疗设备的内部结构中。
上图中R86-2旋转关节图可以看出，无框电机的定子通过“过盈配合”的方式与行星减速器的内圈和外部箱体进行固定安装。
无框电机的结构：
- 定子（Stator）：固定不动，缠绕着线圈，通电产生磁场。
- 转子（Rotor）：可旋转，嵌有永磁体，随磁场转动。
上图展示的是灵犀X1 R86-2机器人关节模组的核心部件，从左至右依次为：高精度行星减速器、无框电机转子、无框电机定子。该关节模组采用了“无框电机+高精度行星减速器”的一体化集成设计，具体结构与功能如下：
- 高精度行星减速器（左）
- 负责将电机高速、低扭矩的输出转换为低速、高扭矩的输出，提升关节的负载能力和控制精度。
- 采用紧凑型设计，便于与电机深度集成，输出轴通常与编码器直接耦合，实现高精度位置反馈。
- 无框电机转子（中）
- 采用永磁体环形结构，直接套装在减速器输入端轴上，实现与减速器的同轴集成。
- 无框设计（无外壳、无轴承），便于与减速器、编码器等部件高度集成，降低体积和重量。
- 无框电机定子（右）
- 由多组铜线绕组和铁芯组成，外部有三相电源线引出。
- 与转子配合产生电磁力，实现高效、响应快速的驱动。
- 装配方式与技术特点
- 同轴一体化设计：减速器安装在电机定子内部，电机转子套装在减速器输入轴上，形成高度集成的同轴结构。
- 高扭矩密度与高精度：无框电机+高精度减速器+多圈绝对值编码器的组合，既保证了关节的高动力输出，又实现了高精度的位置与速度反馈。
- 模块化、轻量化：无框电机和减速器深度集成，体积小、重量轻，便于机器人关节的模块化设计和维护。
- 高可靠性：磁编码器无接触、无磨损，抗干扰能力强，适合复杂环境下长期运行。
1.4 减速器
减速器作为机器人关节模组中实现“高扭矩、低速输出”的关键部件，其结构类型多样，常见的有RV减速器、谐波减速器、行星减速器、摆线针轮行星减速器等。不同类型的减速器在结构原理、传动效率、体积重量、成本和适用场景等方面各有特点。
- RV减速器采用摆线针轮与行星齿轮复合传动，具有高承载能力、高刚性和高精度，常用于大型工业机器人和重载机械臂，但体积较大、成本较高，不适合空间受限的小型机器人。
- 谐波减速器通过柔性齿轮（柔轮）、刚性齿轮（刚轮）和波发生器实现高减速比和高传动精度，结构紧凑、重量轻、回程间隙小，非常适合空间有限、对精度和轻量化有较高要求的人形机器人、协作机器人等。其缺点是承载能力有限，柔轮易疲劳损坏，成本相对较高。
- 行星减速器由太阳轮、行星轮和内齿圈组成，结构简单紧凑，传动效率高，承载能力较强，成本适中。行星减速器在中小型机器人关节中应用广泛，尤其适合对体积、重量和成本有一定要求的场合。其回程间隙和精度略逊于谐波减速器，但通过高精度制造工艺也能满足大部分机器人应用需求。
- 摆线针轮行星减速器结合了摆线轮和行星齿轮的优点，具有高减速比、高承载能力和高效率，常用于重载、低速、高精度的工业场合，但结构复杂、体积较大，在人形机器人中应用较少。
在人形机器人领域，由于关节空间有限、对轻量化和高精度的需求突出，同时还要兼顾成本控制，谐波减速器和行星减速器成为最常用的两类减速器。
1.4.1 行星减速器
行星减速器是一种结构紧凑、传动效率高、承载能力强的减速装置，广泛应用于机器人、自动化设备、精密机床等领域。要理解一款行星减速器的结构和工作原理，首先需要理清其核心部件和动力传递路径。
主要结构组成
- 太阳轮（Sun Gear）：位于减速器中心，通常与输入轴刚性连接，是整个行星减速器的动力输入端。电机的动力首先传递到太阳轮。
- 行星轮（Planet Gears）：多个小齿轮均匀分布在太阳轮周围，与太阳轮啮合。行星轮通过行星架（Planet Carrier）固定在一起，并能绕太阳轮自转和公转。
- 内齿圈（Ring Gear）：环绕在行星轮外部的齿圈，内侧有齿，与所有行星轮啮合。内齿圈通常固定不动，也有部分结构设计为输出端。
- 行星架（Planet Carrier）：用于支撑和连接所有行星轮，通常作为减速器的输出端，将行星轮的运动合成为输出轴的旋转。
动力传递路径
- 输入轴：与太阳轮刚性连接，电机的动力首先传递到太阳轮。
- 减速装置：太阳轮带动多个行星轮自转，同时行星轮在内齿圈内公转，实现动力分流和减速。
- 输出轴：行星架与输出轴连接，将所有行星轮的运动合成为输出端的旋转，实现减速增扭。
1.4.2 谐波减速器
谐波减速器是一种结构新颖、传动精度高、体积小、重量轻、减速比大且无间隙的减速装置，广泛应用于机器人、航空航天、精密仪器等高端领域。要理解一款谐波减速器的结构和工作原理，首先需要理清其核心部件和动力传递路径。
主要结构组成
- 波发生器（Wave Generator）：通常由椭圆形的凸轮和柔性轴承组成，安装在输入轴上。波发生器的作用是将输入轴的旋转运动转化为柔性齿轮的弹性变形。
- 柔性齿轮（Flexspline）：一个薄壁、开口的弹性金属圆筒，外侧带有齿轮齿。柔性齿轮的齿数略少于刚性齿轮。柔性齿轮套在波发生器外部，随波发生器的椭圆形变形而周期性地与刚性齿轮啮合。
- 刚性齿轮（Circular Spline）：一个内齿圆环，齿数比柔性齿轮多2个齿，一般固定不动。刚性齿轮的内齿与柔性齿轮的外齿啮合，所以当波发生器旋转一周，柔轮往前走2个齿。
- 输出端：通常与柔性齿轮的开口端或刚性齿轮连接，将减速后的运动输出。
动力传递路径
- 输入轴：与波发生器刚性连接，电机的动力首先传递到波发生器。
- 减速装置：波发生器旋转时，带动柔性齿轮发生椭圆形弹性变形，使柔性齿轮的齿与刚性齿轮的齿在两个区域啮合。由于柔性齿轮的齿数比刚性齿轮少，每转一圈，柔性齿轮相对于刚性齿轮会慢转几个齿，实现高减速比。
- 输出轴：通常与柔性齿轮连接，将减速后的旋转运动输出，实现减速增扭和高精度传动。
1.5 力矩传感器
力矩传感器，也叫扭矩传感器，是一种能将扭转力（或称“力矩”）转换为电信号的敏感元件。它像是机器人的“肌肉感觉”，让机器人知道自己到底“用了多大的力”。常见的结构原理包括应变片式、磁致伸缩式、光纤传感等，其中以应变片最为普及，广泛应用于机械臂、机器人、协作臂、自动化工具中。
按照维度，力矩传感器分为：
| 类型 | 感知内容 | 又称 | 应用场景 |
|---|---|---|---|
| 1维 | 单轴扭矩 | 单轴传感器 | 控制电流反馈、关节电机过载保护 |
| 3维 | X/Y/Z 三方向力 | 三轴力传感器 | 简单抓取、上下负载识别 |
| 6维 | X/Y/Z 力 + Mx/My/Mz 力矩 | 六轴F/T传感器 | 柔顺控制、动态行走、灵巧操作 |
在实际的机器人关节设计中，出于成本、体积、可靠性和控制系统复杂度等多方面的考虑，绝大多数旋转关节组件并不会直接集成力矩传感器。力矩传感器虽然能够直接测量关节输出的实际力矩，但其价格贵、结构复杂、易受干扰且维护成本高。因此，行业内普遍采用一种“折中方案”来实现对关节输出力矩的估算。
这种方案的核心思路是：利用电机电流、编码器数据和运动学/动力学模型，间接推算出关节的输出力矩。具体流程如下：
- 电机电流采集：通过驱动器或控制板实时采集电机的电流数据。由于电机的输出力矩与电流成正比（受电机参数影响），电流可以作为力矩的基础估算依据。
- 编码器数据采集：通过编码器获取电机轴或关节轴的实时位置和速度信息。这些数据不仅用于闭环控制，也为后续的力矩推算提供必要的运动状态参数。
- 运动学/动力学模型变换：结合机械结构的运动学和动力学模型（如齿轮传动比、并联/串联结构的雅可比矩阵、摩擦补偿等），将电机侧的力矩（由电流推算）通过模型变换，推算到关节输出端，得到实际的关节输出力矩。
- 输出力矩估算：最终，系统根据上述数据和模型，实时估算出每个关节的输出力矩，用于控制、保护和状态监测等功能。
以灵犀X1为例，其开源项目 agibot_x1_infer 的源码中可以看到，系统正是采用了“电机电流 + 编码器数据 + 运动模型 → 推算输出力矩”的主流方案。在其关节驱动与传动相关的代码实现中，
- 首先采集电机的电流（或力矩估算值）和编码器数据，
- 然后通过一系列运动学/动力学变换，将这些数据映射到关节输出端，
- 实现了无需力矩传感器的力矩估算与反馈控制。
这种方案在保证成本可控和系统可靠性的同时，也能满足大部分机器人应用对力矩估算的需求，因此被广泛采用。
2 线性关节
在线性关节中，相比于旋转关节的“角度输出”，其目标是实现“直线位移”。它广泛应用于人形机器人中的足底弹性结构、膝关节高度调节、躯干伸缩、头部升降、手臂前后伸缩等部位，比如以特斯拉 Optimus为例线性关节的数量：大臂1个线性 * 2，小臂2个线性 * 2，大腿2个线性 * 2，小腿2个线性*2，一共14个线性关节。
人形机器人的线性关节多采用行星滚柱丝杠作为核心传动机构，把电机旋转运动转换为直线运动。根据其内部驱动形式不同，主要可分为两种结构配置：
- 一种为传统方式，行星滚珠丝杠在传动过程中，电机驱动主丝杠做旋转运动，带动滚珠自传和沿主丝杠轴线做公转，同时相对于主丝杠做直线运动，使得螺母做直线运动。这种方式结构简单、成本较低，常用于对尺寸要求不高的工业设备、自动化平台、电动推杆或部分早期机器人系统中。
- 另一种为反向结构（也就是下图Telsa中所示的反向滚柱丝杠），电机驱动螺母旋转，中心丝杠实现直线输出。该结构支持电机、滚柱丝杠、编码器、力传感器等关键部件的同轴集成，极大节省了轴向空间，提升了系统紧凑性与模块化水平，已成为人形机器人线性关节的主流选择
行星滚珠丝杠，其的结构图如下：
典型的人形机器人的线性关节结构如下：
【后端盖】
- 封闭壳体后端，集成外部连接接口（如电源、CANFD / EtherCAT 通信口、烧录口、USB 调试口）
- 起连接通路、防护、结构闭合等作用，部分型号带有 EMI 滤波和过压保护电路
- 非主动部件安装位置，主 PCB 通常安装在壳体侧壁
【驱动电机】
- 无框无轴电机，定子固定在壳体内部，不参与旋转
- 转子安装在螺母外壳上，驱动螺母整体旋转
- 无输出轴设计，便于与丝杠同轴集成，结构紧凑
【电机轴编码器】
- 安装在转子轴一侧，用于实时测量螺母的旋转位置
- 提供高精度位置 / 速度 / 电流反馈，实现三环闭环控制
- 通常为磁编码器或集成霍尔编码器，支持绝对 / 增量信号输出
【反向滚柱丝杠】
- 采用行星滚柱结构，丝杠螺旋齿精度高，承载能力强
- 电机转子带动螺母外壳旋转，内部滚柱沿丝槽滚动
- 中心丝杠被轴向推出，实现线性位移
- 是整套机构中实际的“线性输出件”
【输出丝杆（输出轴）】
- 丝杆作为线性关节的执行输出件，从壳体一端伸出
- 与螺母刚性连接，通过丝杠旋转动作完成推拉伸缩
- 两端通过高精度轴承支撑，确保其轴向平稳往复运动
【导向与支撑结构】
- 常见为双滑轨或直线导套结构
- 抑制侧向晃动或偏移，保证输出直线精度
- 部分型号集成位置传感器，实现闭环位置反馈
相比较旋转关节，人形机器人的线性关节一般都会装力矩传感器：
- 线性关节通常需要配置力传感器
- 线性关节本质是执行线性推拉运动，力的反馈对控制精度和安全性非常关键。
- 力传感器（或力矩传感器）能直接测量作用在关节上的力，支持力控制、碰撞检测和柔顺控制。
- 线性关节的结构一般容易集成高精度的力传感器，比如集成在丝杠滑块或导轨处。
- 力传感器是实现“力-位置混合控制”、“力觉反馈”的关键。
- 旋转关节不一定需要力矩传感器
- 旋转关节有时依靠电机驱动电流（电流环）间接估算力矩，尤其在刚性机械结构下，电流反馈已能满足控制需求。
- 有些高端机器人关节会加装力矩传感器（关节力矩传感器或柔性元件力矩传感器），提高力控精度和灵敏度。
- 但很多旋转关节采用无力矩传感器设计，以简化结构和降低成本。
3 灵巧手
在具身智能机器人中，“灵巧手”不仅是末端执行器，更是体现操作能力与人形程度的关键部件。与简单夹爪不同，灵巧手具备多指、多自由度、联动控制、柔顺交互等能力，广泛用于抓握、交接、按键、交互等任务。
人形机器人灵巧手通常采用5指设计，内部集成微型电机、丝杠、减速器、传感器等部件：
- 【电机组件】：灵巧手通常采用微型电机（如空心杯电机或步进电机）驱动指节的屈伸动作。为了减小负载和增强响应，电机往往集中布置在掌部或指根部位，通过直连、腱索或滑轮传动的方式输出力矩。这种布置在保障控制精度的同时，也兼顾了重量分布与整体紧凑性。
- 【减速组件】：电机输出一般需要配套减速机构，以实现更高的扭矩与控制精度。常见设计将微型行星减速器或蜗轮结构嵌入电机模组或掌部空间中，构成一体化驱动模块。这种方式能有效提升动力密度，减小多自由度结构间的干涉，提高手指控制的稳定性。
- 【直线执行器】： 在部分灵巧手中，尤其是模拟人类屈指运动或夹爪闭合动作时，广泛采用电机+丝杠的线性驱动结构，将旋转运动转化为指节的直线拉合。该结构便于力控集成，能够精确调节张合距离，同时具备良好的机械刚性与回差控制能力。
- 【传感器系统】：现代灵巧手普遍集成多模态传感器，以支持更安全、更精细的交互任务。常见配置包括：
- 手腕处的六维力传感器用于整体接触力/扭矩检测，
- 指根或掌部的力矩传感器用于判断夹持状态，
- 指尖的触觉传感器（如压阻、电容、光纤）实现微弱接触感知，
- 各关节处的编码器或霍尔传感器提供闭环控制的实时位置反馈。
- 【控制器与通信】：由于结构紧凑且自由度较多，灵巧手通常在掌部集成小型驱动控制板与传感融合模块，并通过CAN、EtherCAT 或 UART 总线与机器人主控系统通信。部分高端系统还支持手部局部自治控制，使灵巧手具备一定独立执行策略的能力。
- 目前许多高自由度灵巧手采用了腱索驱动方案，即电机安装在掌部或手腕，驱动“钢丝绳”或柔性腱索穿过掌部骨架、指根部，最终拉动手指各指节运动。
3.1 以shadowrobot Dexterous Hand为例描述机械手结构
Shadow Dexterous Hand 是一款高度仿生的灵巧机械手，结构设计与感知能力力求逼近人手运动特性。该系统集成了20 个电机驱动单元，包括拇指（5 个电机）、食指/中指/无名指（各 3 个）、小指（4 个，耦合控制）以及手腕 Pitch/Yaw（2 个），覆盖了 24 个自由度（DOF）。所有控制系统集中布置于掌部（Palm）内部，集成有：
- EtherCAT 主站控制器（负责全手通信、协调）
- 两个 CAN 转换模块（CAN0、CAN1，分别连接两个 10 电机从站）
- 本地 SPI 通信接口（负责指尖/关节的力觉与位置感知）
该控制器通过 EtherCAT 主站连接 PC，由 PC 发送高层运动命令与控制参数（如 PWM、Torque、Position、Trajectory 等）。
3.2 shadowrobot机械手的电机
对于Shadow Dexterous Hand 在运动手上，每个自由度都由安装在前臂框架上的二十个电机阵列驱动。每个电机驱动两条肌腱，实现拉/拉控制。力传感器集成在电机处的肌腱中，用于提供柔顺运动。每对肌腱将一个电机连接到一个关节。每个电机均由 Hand PC 管理，并完全由板载电子设备控制。
- 小型电机（Small Motors） ：所有手指关节和大多数拇指关节均使用十六个小型电机。（电机型号：Maxon 118608）
- 大型电机（Large Motors） ：两个腕关节以及拇指关节 4 和 5 使用四个大型电机。（电机型号：Maxon 110151）
每个 Motor Unit 都集成了完整的控制与感知模块：包括用于闭环控制的电流驱动器、用于精准力控的力矩传感器、用于检测关节状态的编码器或霍尔角度传感器，以及基于 CAN 或 EtherCAT 的通信接口，可视为一种“微型一体化执行器”，这和旋转关节和线性关节类似。
4 电池和结构件
4.1 电池
在人形机器人中，除了关节驱动器、传感器和大脑控制单元外，电池和结构件构成了整个系统的“能量核心”与“物理骨架”，它们直接影响机器人续航、运动性能、重心稳定性与机械强度。
为了支撑几十个电机的协同动作、感知系统的高频运行以及中央控制的持续计算，人形机器人通常采用高能量密度的锂电池，如 NCM811（三元锂）或 Li-Po（聚合物锂电），以实现轻量化与高能效的最佳平衡。
4.2 结构件
从工业设计与机械结构角度出发，结构件（structure parts）主要承担的是：
- 机械支撑与保护作用（如外骨架、壳体）；
- 质量分布与重心控制（如载电池/主控板的中轴框架）；
- 部分走线通道或接口平台（如支架上开孔、卡槽）；
人形机器人内部结构普遍采用「中空承力骨架 + 模块化安装接口」：
- 主骨架：多采用中空型材/板材拼装结构，为控制器、电缆、电池预留走线空间；
- 关节模块化：旋转关节、线性关节等执行器均封装为独立模组，安装接口标准化；
- 壳体组合：外部壳体由可拆卸结构构成，便于更换、升级或维护。
5 布线
各关节节点采用菊花链总线方式连接到DCU控制器，然后基于EtherCAT接口连接上位机，也就是计算中央域控制器。
- 菊花链（Daisy Chain）是一种常见的物理连接方式，指的是：一根主线（数据线/电源线）依次穿过每个节点（如关节、模块），每个节点有“进”和“出”两个接口，主线从一个节点的“进”口进入，从“出”口出来，继续连接下一个节点，依次串联下去。
- 在每个节点（关节）处，主线分出一支，连接到该节点的驱动板/控制器，实现数据通信和供电。
以灵犀X1开源资料为列描述整体布线：灵犀X1电源线和数据线通常集成在同一个接口/线束上。物理上，电源线和数据线都采用“菊花链”方式串联穿过每个关节，如上图所示电气上则是数据总线并联、供电并联。这样设计大大简化了布线，提高了系统的可靠性和可维护性。
智元灵犀X1 PowerFlow R系列执行器包含三款，分别为 PowerFlow R86-3， PowerFlow R86-2， PowerFlow R52。它们通过高度集成一体化的设计，将减速器、电机、电机驱动器进行整合优化，各模块结构紧凑，便于安装拆卸。PowerFlow R86-3采用了三级减速比(48:1)，而PowerFlow R86-2则采用了二级减速比(16:1)，PowerFlow R52减速方式也为行星减速器，采用了二级减速比(36:1)
上述介绍的Shadow Dexterous Hand也可以直接和DCU连接。
6 大脑：认知、决策与调度的中枢
在人形机器人的系统架构中，“大脑”涵盖了感知、决策、控制调度等多层次计算单元所组成的核心系统。它是整个机器人从“感知外界”到“做出动作”的中枢神经系统。
【上层计算单元】人形机器人通常配备多个嵌入式计算平台作为“大脑”，包括：
- 主计算单元（如 Jetson Orin、x86工控机、NVIDIA Xavier 或定制AI板卡）；
- 实时域控制单元（RT-Domain Controller Unit, DCU），用于将高层轨迹或动作指令精细拆分为具体的电机控制指令；
- 边缘计算单元（用于本地处理视觉/深度/语音数据，提升响应速度）；
- 这些平台通过ROS2、DDS或自研中间件完成高频低延迟的通信调度，统一调度来自全身各关节、传感器、摄像头、机械手等组件的状态反馈与动作执行。
【感知与环境建图】感知是“大脑”的输入，主要通过以下多模态传感器融合：
- 深度相机（如 Realsense D455、ZED 2i）：获取空间点云、骨架结构等；
- 激光雷达（2D/3D Lidar）：用于建图、障碍物检测、导航辅助；
- IMU + 力矩传感器 + 足底触觉模块：用于动态姿态估计、接触识别、平衡反馈；
- 麦克风阵列 / 语音识别：实现自然语言交互。
- 感知数据通过 SLAM / VO / GPT-Vision 系统融合为可理解的语义地图，用于后续路径规划与任务决策。
【路径规划与轨迹生成】“大脑”会根据当前地图、任务目标与环境状态，实时规划出一系列可执行的轨迹点：
- 全身路径规划（Whole-Body Planner）：兼顾身体稳定性、目标可达性；
- 目标交互路径（Reach & Grasp Planner）：结合语义理解+几何控制，如“去拿桌上的杯子”；
- 空间动作流（Motion Primitives）：动态解码指令，例如“避开障碍同时行走与举手”。
【下肢控制】腿部运动控制具有高度非线性与多自由度耦合特性，传统控制法难以 胜任。因此，现代人形机器人通常采用基于强化学习（Reinforcement Learning, RL）的控制策略，如：
- PPO-based Locomotion Controller：在仿真中通过 reward shaping 学会自然行走；
- 中心模式生成器（CPG）融合策略：提升节律性与可控性；
- 轨迹跟随 + RL修正：高层规划给定目标轨迹，RL controller 对其执行微调以适应地面变化与外部扰动。
- 这些 RL 控制策略部署在腿部 DCU 内，接收高层轨迹点，通过训练好的 policy 网络实时输出每个关节的控制电压或力矩。
【上肢与手臂控制】相比下肢的节律性，手臂操作强调目标导向与操作灵巧度。近年来，大模型与模仿学习（Imitation Learning, IL）的融合，极大推动了手臂智能控制的发展。代表性算法包括：
- ACT（Action Chunking with Transformer）：Meta 提出的动作分段+上下文建模方法；
- DP（Diffusion Policy）：利用扩散模型从演示数据中学习高质量动作；
- Pi0、Helix（VLA Model）：基于数百万模拟和真实抓取数据训练的大规模控制模型，实现从自然语言指令直接生成操作动作。
- 这些控制策略输出结果通常是「关键帧序列」、「期望轨迹」或「空间位姿」，再由手臂 DCU 将其解析为多自由度电机控制命令。
【灵巧手控制】机械手（如 Shadow Hand、Allegro、Tendyne）通常拥有 20~26 个自由度，但由于体积限制、传动复杂，无法为每个自由度都配备独立电机。为此，灵巧手控制往往结合以下技术：
- 拉索张力耦合 + 局部控制器（如 PID or LQR）；
- 高精度角度/力传感器反馈，如霍尔传感器、关节 F/T 传感器；
- 抓取策略网络（如 ContactGraspNet、DexGrasp）从视觉估计抓取点；
- 模仿学习与闭环控制结合，实现细腻力控与手指协同。
大脑的算法之间通过强大的中间件调度，共同完成机器人的全身控制，如下图所示：
