1. 课程导入

人形机器人运动控制与平衡，是机器人学中最具挑战性也最富魅力的分支之一。它研究的是如何让一个具有双腿、躯干、双臂乃至灵巧手的仿人结构，在复杂物理世界中稳定地行走、奔跑、转身、上下坡、避障，甚至在受到外力推搡时依然保持平衡。这门学科并非单纯的“编程控制”，而是融合了多体动力学、现代控制理论、仿生学、传感器融合、实时计算与机电一体化设计的交叉学科。它既是理论物理与数学的“试验场”，也是工程实践的“试金石”。本课程将带你从底层动力学原理出发，逐步构建起对运动控制与平衡问题的完整认知框架。

1.1 学科定位：为什么人形机器人控制如此特殊

人形机器人运动控制与平衡，在机器人学科谱系中占据着独特的生态位。与工业机械臂不同，人形机器人是浮动基座系统——它没有固定在地面或轨道上，而是依靠与地面的间歇性接触（单脚支撑、双脚支撑、甚至腾空）来维持运动。这意味着其动力学方程中包含了基座（躯干）的六个自由度和地面接触约束，系统呈现出强烈的非完整约束与欠驱动特性。

从控制理论的角度看，人形机器人是一个典型的非线性、时变、高维耦合系统。以目前主流的全尺寸人形机器人为例，其全身自由度通常在30~40个之间，而控制输入（关节力矩）数量与自由度数量相同，但系统状态空间维度却高达60~80维。更关键的是，系统在行走过程中不断在“单脚支撑”与“双脚支撑”之间切换，接触约束条件发生突变，这给控制器的设计与稳定性分析带来了本质性困难。

1.2 发展历程：从早期实验到AI驱动的范式转变

人形机器人的研究可追溯至20世纪70年代。1973年，日本早稻田大学的加藤一郎教授团队研制出WABOT-1，这是世界上第一台全尺寸人形机器人，它能够用双腿静态行走（每一步都需要将重心完全移到支撑脚上），虽然速度极慢且需要预先规划重心轨迹，但开创了该领域的先河。

1986年，加藤实验室又推出了WL-10RD，首次实现了动态步行——机器人可以在行走过程中利用惯性力维持平衡，不再需要每一步都完全静止。这一突破奠定了现代双足步行控制的理论基础。随后，本田公司从1986年开始的绝密人形机器人项目，经过近20年的积累，于2000年推出了ASIMO，它能够以每小时6公里的速度行走，并实现了上下楼梯、转弯等复杂动作。

进入21世纪，波士顿动力公司的Atlas系列将人形机器人的运动能力推向了新的高度。2013年第一代Atlas在DARPA机器人挑战赛中展示了废墟行走能力；2016年升级版Atlas实现了后空翻、跑酷等令人惊叹的动作。这些成就背后，是模型预测控制（MPC）和全身动力学控制（WBC）等先进算法的成熟应用。

近五年来，随着深度强化学习（DRL）的兴起，人形机器人控制迎来了新的范式转变。2023-2024年间，Figure AI、Unitree、Tesla Optimus等公司纷纷展示了基于端到端学习或“学习+优化”混合架构的行走与操作能力。强化学习不再依赖精确的动力学模型，而是通过大量仿真训练获得鲁棒的控制策略，这极大地拓展了人形机器人在非结构化环境中的适应能力。

1.3 核心挑战：从理论到工程的四道门槛

尽管取得了显著进展，人形机器人运动控制与平衡仍然面临四大核心挑战，这些挑战贯穿了从理论推导到实际部署的全过程。

第一道门槛：高维非线性动力学建模。一个30自由度的人形机器人，其完整动力学方程包含数万项符号表达式。即使采用牛顿-欧拉递推算法进行数值计算，每次正向动力学求解也需要数百次浮点运算。更棘手的是，地面接触力的大小与方向受到摩擦锥约束，而接触点的位置随步态变化而改变，这使得动力学方程成为变结构系统。工程上常用的简化手段包括：线性倒立摆模型（LIPM）、弹簧-质量模型、质心动力学模型等，但每种简化都牺牲了一定的精度。

第二道门槛：实时性约束下的控制计算。人形机器人的姿态控制周期通常要求1kHz（即每毫秒计算一次控制指令），而全身最优控制问题（如MPC）的求解往往需要数十毫秒。因此，研究者必须开发分层控制架构：上层以较低频率（如50-100Hz）进行轨迹规划与重心轨迹优化，下层以高频（1kHz）进行关节力矩计算与执行。这种时间尺度分离虽然有效，但在剧烈扰动或快速机动时，上下层之间的协调可能失效。

第三道门槛：不确定性条件下的鲁棒性。真实世界中，模型参数存在误差（如质量分布、关节摩擦）、外部环境存在扰动（如风力、地面不平）、传感器存在噪声（如IMU漂移、编码器量化）。一个在仿真中表现完美的控制器，在实物上可能因为几毫米的地面高度差而摔倒。因此，鲁棒控制、自适应控制、以及基于学习的扰动补偿方法成为研究热点。

第四道门槛：能量效率与硬件约束。人形机器人需要自带能源，而行走过程中的能量消耗远高于轮式机器人。以Tesla Optimus为例，其电池容量约2.3kWh，在行走工况下续航仅约2小时。关节电机的峰值力矩、散热能力、减速器背隙等硬件限制，也直接制约了控制算法的性能边界。

1.4 学习路径：从数学基础到前沿算法的五阶段进阶

本课程面向具备一定机器人学基础的学习者，设计了五阶段递进式学习路径。每个阶段都有明确的知识目标与能力要求，建议学习者按顺序推进，并在每个阶段完成相应的仿真或实物实验。

阶段一：数学与力学基础（第1-5章）。这一阶段重点复习刚体运动学、旋转矩阵、四元数、雅可比矩阵等数学工具，并建立多体系统动力学的建模能力。学习者应能独立推导一个简化人形机器人（如5连杆模型）的运动方程，并理解惯性矩阵、科氏力、重力项的含义。

阶段二：平衡控制基础（第6-10章）。从静态平衡出发，学习重心投影（CoM Projection）、支撑多边形（Support Polygon）与零力矩点（ZMP）的概念。掌握线性倒立摆模型及其在步态规划中的应用，理解预览控制（Preview Control）如何实现ZMP轨迹跟踪。

阶段三：动态行走控制（第11-18章）。进入全身动力学控制领域，学习浮动基座动力学方程、动量控制、任务空间控制与全身控制（WBC）的优化求解方法。掌握模型预测控制在步态规划中的应用，理解如何将步态周期、落脚点与质心轨迹联合优化。

阶段四：鲁棒与自适应控制（第19-24章）。针对模型不确定性与外部扰动，学习滑模控制、鲁棒H∞控制、自适应控制等方法。引入状态估计与传感器融合技术（扩展卡尔曼滤波、无迹卡尔曼滤波），理解如何从IMU与关节编码器中获得可靠的全身状态估计。

阶段五：学习与智能控制（第25-30章）。探索深度强化学习在人形机器人控制中的应用，包括策略梯度方法、Actor-Critic架构、仿真到现实迁移（Sim-to-Real）技术。同时介绍基于中央模式发生器（CPG）的生物启发控制，以及多模态大模型在运动规划中的潜在应用。

1.5 案例拆解：从ASIMO到Atlas——两代控制范式的对比

为了更直观地理解不同控制范式的差异，我们以本田ASIMO（2000年代）与波士顿动力Atlas（2010年代）作为两个典型代表进行对比分析。这两个系统分别代表了“基于ZMP的经典控制”与“基于MPC+WBC的现代控制”两种技术路线。

ASIMO的控制架构：ASIMO采用分层控制结构。上层规划器基于ZMP预览控制，提前0.8秒规划质心轨迹，确保ZMP始终落在支撑多边形内部。中层将质心轨迹分解为各关节的运动轨迹，通过逆运动学求解。底层采用高增益PD控制器跟踪关节位置指令。这种架构的优点是计算量小、稳定性分析成熟，但缺点是步态僵硬、对地形变化的适应能力差。

Atlas的控制架构：Atlas采用模型预测控制（MPC）作为核心。MPC在每个控制周期（约50ms）内，基于当前状态预测未来1-2秒的系统演化，并优化出最优的落脚点与质心轨迹。优化目标函数中同时包含跟踪误差、能量消耗、接触力平滑性等多项指标。底层采用全身控制（WBC）将上层指令映射为关节力矩，WBC通过求解一个带约束的二次规划问题，同时满足任务优先级、关节力矩限制与接触约束。

从实际表现来看，ASIMO在平整地面上行走稳定，但遇到意外推力时容易摔倒；Atlas则能在受到较大侧向力时通过快速调整步态维持平衡，甚至完成跳跃、后空翻等极限动作。这一对比清晰地展示了从“轨迹跟踪”到“优化控制”的范式转变。

这个案例给我们的启示是：控制算法的选择必须与硬件计算能力、传感器精度和应用场景相匹配。对于教学和科研平台，经典ZMP方法仍然是理解平衡原理的最佳起点；而对于追求极限运动能力的应用场景，MPC+WBC是当前的主流选择。

在接下来的章节中，我们将从最基础的刚体运动学开始，逐步构建起完整的知识体系。每一章都将结合理论推导、仿真实验与案例分析，帮助你建立“物理直觉→数学建模→算法设计→工程实现”的完整思维链路。人形机器人的运动控制是一个“知易行难”的领域——看似简单的行走动作背后，蕴含着深刻的力学与控制原理。希望这门课程能成为你探索这一前沿领域的可靠向导。