7.2 机器人与无人系统：低延迟控制闭环

7.2 机器人与无人系统：低延迟控制闭环

本节摘要：机器人把约束从"省"换成了"快"：避障闭环要求感知到执行的端到端延迟压进几十毫秒，动态环境的适应又要求在线学习。事件相机加脉冲网络的组合在高速避障、四旋翼机动、机械臂反应控制上给出了实测案例，本节逐一拆解它们的系统配置与失败边界。

7.1 的判据是"省不省"，本节的判据是"快不快、适应不适应"。控制闭环的延迟预算可以这样拆：以无人机 10 米每秒飞行、需要提前 1 米避障为例，整条链路（感知、决策、执行）只有 100 毫秒；传统"相机曝光 15 毫秒 + 传输 10 毫秒 + CNN 推理 20 毫秒 + 控制解算"已经紧绷，运动模糊还会在高速下进一步劣化感知质量。事件相机在这里给出结构性解法：无曝光概念、微秒级事件、高速不模糊，感知端延迟从帧周期量级压到毫秒级。

案例一：四旋翼全自主避障（苏黎世大学 UZH 系列）

UZH 机器人与感知组的系列工作是最有代表性的公开案例：掌上四旋翼完全依靠事件相机做全向避障，机载计算用小型处理器甚至神经形态芯片完成。系统配置的关键点有三个。感知端用事件相机的角速度与深度线索，直接从事件流估计障碍物接近速度（不做完整图像重建——3.3 节说的"谁在说话"逻辑：只有障碍物边缘在发事件）。决策端是一颗小型脉冲网络，输出转向指令，TTFS 式读出保证"最危险的方向先发言"（2.2 节首达时间的工程兑现）。整体闭环延迟比帧基方案低一个量级，为控制留出了充足余量。这个案例的通用启示：事件流方案的正确打开方式是"不重建、直接从事件推理"——凡是先重建图像再跑 CNN 的路线，都把事件相机最值钱的延迟优势磨掉了。

案例二：片上学习的机器人步态适应

第 4 章说替代梯度训练和 STDP 片上微调可以混合，最有说服力的验证在机器人上。Loihi 一代时代英特尔与合作的实验室做过四足机器人步态适应实验：控制器网络的一部分在片上用局部规则在线调整，机器人从平整地面走到松软地毯时，步态参数在几秒内自适应收敛——这类演示展示了"部署后仍能学"的差异化价值，这是纯推理架构（无论 GPU 还是量化 NPU）给不了的。代价同样要记录：可学习的任务范围有限（参数少、目标简单的适应），离"学一个新的复杂技能"还有数量级的距离。

案例三：机械臂的反应式抓取

工业分拣里的高速拣选要求视觉触发到运动指令 30 毫秒以内。事件相机的应用方式：传送带上的物体边缘持续产生事件流，SNN 做存在性判断与粗分类，输出直接驱动运动规划的触发条件。与传统方案的对比实验里，事件方案在"物体被遮挡后重新出现"与"高速到料"两类工况下优势最大——因为事件流没有"错过帧"的概念，信息是连续的。局限工况也要如实记录：需要精确位姿估计时（抓取六自由度定位），事件流仍要配合帧相机或结构光，纯事件方案当前到不了工位级精度。

# 避障闭环的延迟预算模型：帧方案 vs 事件方案
def loop_latency(perception_ms, inference_ms, actuation_ms):
    total = perception_ms + inference_ms + actuation_ms
    return total

frame_pipe = loop_latency(perception_ms=33,      # 30fps 帧周期 + 曝光
                          inference_ms=20,       # CNN 前向（嵌入式级）
                          actuation_ms=5)        # 控制解算与执行接口
event_pipe = loop_latency(perception_ms=1.5,     # 事件生成与滤波
                          inference_ms=2.0,      # 小型 SNN（TTFS 读出可提前终止）
                          actuation_ms=5)

print(f"帧方案闭环: {frame_pipe} ms")
print(f"事件方案闭环: {event_pipe} ms")
# 58 ms 对 8.5 ms：同等执行端下，感知加决策延迟差约 7 倍
# 按 10 m/s 飞行换算：帧方案的"最坏盲行距离"约 0.58 m，事件方案约 0.09 m
​

图：避障闭环的延迟分解对比——盲行距离的差距

机器人路线的选型结论

三个案例合并成一张决策图：任务需要高速闭环且目标检测粒度是"存在与方向"——事件方案成立；任务需要稠密感知或精确位姿——事件做触发层、帧/激光做测量层的混合架构更现实；任务环境动态多变且误差代价高（人机协作）——值得为片上学习支付的溢价评估一下，但要把学习目标限定在参数适应级别。机器人是神经形态计算最能展示"结构性优势"（不是快一点，是曲线形状不同）的战场，也是最容易因为过度承诺翻车的战场——汇报延迟数字时永远带上工况，这是本节的最后一课。

把三个案例的工具链形态也交代一下，准备复现的读者可以直接对号。避障类研究的标准起点是事件相机的公开数据集（驾驶场景的 DSEC、室内飞行的现成序列）加模拟闭环环境；UZH 系列的部分工作公开了飞行平台与传感器配置，感知算法的论文附带了事件流处理的实现细节。片上学习类实验的平台是 Loihi 系（通过研究合作计划获取云访问），控制对象可以先用仿真机器人（开源物理仿真器）搭闭环，验证规则有效后再上真机——这个"仿真闭环先行"的次序能把真机实验的次数压缩一个量级，安全预算紧张的团队尤其要守。工业分拣类项目则建议先做"影子模式"试点：事件系统与现有系统并行跑、只记录不执行，攒够数周的对比数据再切换控制权——制造业对这条流程的熟悉度远高于算法团队，双方按制造业的验证节奏走，落地阻力最小。

风险清单也值得单列：事件相机的强光与频闪环境（LED 灯的高频闪烁会产生大量伪事件）、机械振动的传感器自激（把机身振动误判为场景运动）、多机互相干扰（对方机身上的纹理在自己的事件流里形成噪声源）。这三条在实验室里都不出现，一进真实场地全冒出来——机器人项目的"最后一公里"成本，几乎全部花在这类环境适配问题上。

机器人战场的公式：结构性延迟优势来自"不重建直接推理"，结构性适应优势来自"片上局部规则"。两个优势都有明确的失效边界，画出来比算出来更重要。

下一节去最远的战线：亿级神经元的科学仿真——那里追求的既不是省也不是快，而是"对"。