1. 课程导入

1.1 从科幻到现实：人形机器人的发展脉络

人形机器人，说白了就是长得像人的机器。我入行那会儿，这玩意儿还停留在实验室的「宝贝疙瘩」阶段。记得2013年我第一次在展会上看到ASIMO，它正小心翼翼地端着杯子走路。当时我就想，这要是能跑起来该多酷？

但现实很骨感。人形机器人的发展，其实可以分成几个关键阶段：

• 萌芽期（1970s-1990s）：WABOT-1、ASIMO的前身。那时候能站起来就算成功，走路像企鹅一样摇摇晃晃。
• 探索期（2000s-2010s）：本田ASIMO、波士顿动力的PETMAN。开始尝试跑步、上下楼梯。我那时候刚毕业，看着PETMAN的视频，觉得这简直是神作。
• 爆发期（2015s-至今）：Atlas、Tesla Optimus、Figure 01。后空翻、跑酷、自主抓取。嗯，现在回头看，当年觉得神作的东西，其实也就那样。

为什么会突然爆发？说白了，三个东西成熟了：高扭矩密度电机、低成本IMU、以及深度学习。你想想看，十年前一个六轴力传感器要十几万，现在几千块就能买到不错的。

1.2 运动控制：为什么人形机器人这么难搞？

你可能觉得，不就是走路吗？两岁小孩都会。但让一个1.8米高、80公斤重的铁疙瘩稳定行走，难度完全不是一个量级。

我总结过，人形机器人的运动控制有三大「拦路虎」：

挑战	具体表现	我踩过的坑
高维非线性	全身自由度通常超过30个，动力学方程写出来能占满一页A4纸	有一次我手动推导简化模型，漏了一个耦合项，仿真跑飞了三天才发现
欠驱动与不稳定	双脚支撑时是静定结构，单脚支撑时就是倒立摆	我曾经天真地以为用PID就能搞定单脚平衡，结果机器人直接拍地板上
实时性要求	控制周期通常需要1kHz以上，延迟超过1ms就可能摔倒	早期用ROS默认的通信机制，延迟抖动大到离谱，后来全改成共享内存

你想想看，一个30自由度的系统，每个关节的惯量、摩擦力、弹性形变都在互相影响。更麻烦的是，地面接触条件随时在变——踩到地毯和踩到瓷砖，反馈完全不一样。

1.3 模型辨识：为什么它如此重要？

好，现在问题来了。你写了一个漂亮的MPC控制器，理论上能抗扰动、能跟踪轨迹。但实际跑起来，效果差得离谱。为什么？

因为你的模型是错的。

模型辨识，说白了就是「给机器人量体裁衣」。每个电机减速器的摩擦系数、每个连杆的质心位置、每个关节的刚度阻尼——这些参数在CAD模型里是理想值，但实际装配出来，偏差可能达到10%-20%。

我举个例子：

• 惯量参数偏差5%：轨迹跟踪误差可能放大到10%以上
• 摩擦模型选错：低速时的抖动、爬行现象，怎么调PID都压不下去
• 质心位置偏差2cm：单脚站立时，ZMP（零力矩点）直接飘出支撑多边形

模型辨识的价值，可以归纳为三点：

1. 提升控制精度：参数准了，控制器才能「对症下药」
2. 减少调试时间：不用靠经验瞎猜参数，系统辨识给出定量结果
3. 实现迁移学习：同一个控制算法，换一台机器人只需要重新辨识，不用重新设计

1.4 知识体系总览

这一章的内容，说白了就是给整门课画个地图。下面这张图，是我个人习惯用来梳理知识结构的——你一看就明白，我们这门课到底要讲什么。

从这张图你可以看到，整门课其实就围绕两条主线：模型辨识和运动控制。它们不是孤立的——辨识为控制提供准确的参数，控制反过来为辨识设计激励轨迹。说白了，就是「先摸清机器人的脾气，再想办法让它听话」。

1.5 本章小结

这一章我们聊了三件事：

• 人形机器人从「能站」到「能跑」再到「能翻跟头」的发展历程
• 运动控制面临的三大挑战：高维非线性、欠驱动不稳定、实时性要求
• 模型辨识为什么是「控制算法落地」的关键一环

我个人觉得，做机器人控制最忌讳的就是「上来就调参」。你想想看，连机器人的质心在哪、关节摩擦力多大都不清楚，调出来的参数能靠谱吗？