人形机器人跑出百米 9.39 秒确实是一个很容易抓人眼球的话题。男子百米世界纪录是博尔特 2009 年跑出的 9.58 秒如果这个成绩是真实、可复现的意味着在特定条件下人形机器人已经在速度上接近甚至超过人类顶级短跑运动员。但比起争论数字是否可信我更想聊一个更有工程价值的问题一台双足人形机器人要跑出这样的成绩需要在硬件、软件、算法上做对哪些事情本文会从关节执行器、传感器、计算芯片、软件架构、步态规划和仿真调试这条完整链路展开拆解“人形机器人跑步”背后的控制系统设计思路。适合机器人爱好者、嵌入式开发者、算法工程师以及所有对人形机器人运动控制感兴趣的读者。读完你会明白机器人跑步不是“把电机功率调大一点”那么简单而是一次系统性的软硬件协同设计。1. 人形机器人高速奔跑的核心难点1.1 人形机器人的本质特征人形机器人是指外形和运动方式模仿人类结构的机器人通常由躯干、头部、双臂和双腿组成。与轮式机器人不同人形机器人依赖双足支撑全身自由度很多常见的全尺寸人形机器人会拥有 12 到 30 个以上运动关节。正是这些自由度带来了极高的控制复杂度。轮式机器人的稳定性几乎由机械结构天然保证人形机器人则需要在每一毫秒都在计算“下一步怎么站得住”。高速奔跑场景下这种控制难度会成倍放大。1.2 跑步为什么比走路难得多走路时机器人至少有一只脚始终接触地面支撑点多静态稳定性相对容易保证。跑步则完全不同存在明显的腾空期也就是双脚同时离开地面的阶段。腾空阶段机器人没有足底支撑姿态完全依赖惯性运动和主动控制。落地瞬间会产生很大的冲击力对结构强度、关节缓冲、控制算法都是考验。速度越高步频越快控制周期必须更短留给状态估计和力矩计算的时间更少。如果目标是把百米时间压到 10 秒以内单步支撑时间通常会缩短到 300 到 400 毫秒左右。在这个量级下控制算法必须在一个非常短的窗口内完成姿态判断、落脚点规划和关节力矩输出任何一环出问题都会直接表现为摔跤。1.3 高速奔跑涉及的关键技术域把“人形机器人跑步”拆开看主要涉及三个技术域技术域负责内容典型组件动力域提供关节力矩和运动能力电机、减速器、驱动器、电池感知域获取自身状态与环境信息IMU、编码器、力传感器、视觉决策与控制域决定怎么运动计算芯片、实时系统、步态规划算法这三个域不是独立工作的。感知域把状态信息送给决策控制域决策控制域把关节指令发给动力域动力域的执行结果又会反过来影响感知数据。任何一个环节出现延迟或偏差都会在高速奔跑中被放大。2. 硬件系统拆解从关节到芯片2.1 关节执行器先要有足够的动力关节执行器是机器人的“肌肉”。人形机器人要实现奔跑必须做到高力矩密度、低转动惯量和快速响应。目前主流方案是无框力矩电机配合谐波减速器或行星减速器。谐波减速器体积小、减速比大适合髋关节、膝关节等需要大扭矩输出的位置而部分新一代机器人也会采用直线执行器让腿部结构更接近人体肌肉的发力方式。在奔跑工况下髋关节和膝关节需要在很短的时间内完成正反向切换峰值力矩经常达到 100 牛米以上。如果执行器带宽不足即使控制算法算出再好的力矩指令实际输出也会“跟不上”。这也是为什么很多机器人团队前期用普通伺服电机做走路演示还可以一上跑步就暴露问题不是算法不行而是硬件根本输出不了那么快、那么大的力矩。2.2 传感器系统机器人如何感知自身状态高速奔跑要求机器人精确知道自己的姿态、速度和足底接触状态。关键传感器包括IMU 惯性测量单元测量三轴加速度和角速度是姿态估计的核心。关节编码器反馈每个关节的角度和角速度用于闭环控制。足底力传感器或关节力矩传感器判断脚是否着地、地面反作用力有多大。视觉或激光雷达用于感知环境和规划前进路线。在跑步场景中IMU 的重要性会被推高。因为腾空阶段没有接触力信息可参考机器人只能依赖 IMU 的积分来推算姿态如果 IMU 数据抖动大、延迟高落地瞬间很容易“站不住”。为此很多系统会把 IMU 采样率做到 1kHz 以上并在控制器侧使用插值或状态估计器来补偿延迟。2.3 计算芯片与人形机器人专用芯片人形机器人的算力需求有两面性一方面要跑视觉感知、强化学习策略这类计算密集任务另一方面又要保证毫秒级的实时控制。传统方案里工控机加 GPU 的组合算力强但功耗高、体积大、价格贵嵌入式 MCU 实时性好但 AI 算力偏弱。这一矛盾推动行业出现了“专为机器人设计的芯片”方向。比如我们经常看到的全志科技人形机器人芯片相关讨论本质上就是在探索怎样把 AI 推理单元、实时控制单元和多种外设接口集成到一颗合适的芯片上。相比于简单堆硬件专用芯片的好处是降低整机功耗和发热。减少板级体积给机械设计留出空间。缩短数据通路降低控制延迟。为后续量产摊薄单机成本。当然现阶段很多团队仍会采用“主控芯片 实时协处理器”的异构架构主控芯片负责感知与规划协处理器负责关节级高速伺服控制。2.4 电源与热管理巅峰输出能力不只看电机还要看电源和散热。跑步时多个关节同时大功率输出电流峰值很高电池必须支持高倍率放电否则电压跌落会导致驱动器保护或控制失效。另一个被低估的问题是发热。电机绕组温度上升后输出力矩会下降持续高速奔跑时极易出现“跑一会儿就软了”的情况。工程上通常会在关节温度、驱动器温度、电池温度三处布置温度传感器并在软件中做功率限制和降级策略。3. 人形机器人软件架构拆解3.1 分层架构总览人形机器人软件架构可以按数据流动方向分成几个层次感知层 - 状态估计层 - 决策规划层 - 运动控制层 - 执行器驱动层 | 关节电机 / 力矩传感器 / IMU感知层采集视觉、激光、IMU、编码器、力传感器等原始数据。状态估计层对原始数据滤波估算质心位置、姿态、速度、支撑状态。决策规划层决定前进方向、落脚点、步态模式甚至下一步要跑到哪个目标点。运动控制层把高层运动目标转化为具体关节位置或力矩指令。执行器驱动层以固定频率驱动电机并读取反馈数据。这套分层结构强调模块边界清晰上层不关心电机怎么驱动下层不关心视觉怎么识别。团队可以并行开发也方便单独调参。3.2 感知与状态估计很多人认为机器人跑步只需要“看路”实际上更重要的是“感知自己”。状态估计层的输入是 IMU、编码器和力传感器输出是当前质心位置、速度、躯干姿态和足底接触概率。常用方案包括扩展卡尔曼滤波 EKF 和互补滤波。近几年的一个趋势是把接触状态也放进状态估计器里因为跑步过程中“哪只脚着地”直接决定了动力学模型的支撑状态。如果接触判断错误后面的控制算法会基于错误的模型计算力矩结果很容易摔倒。3.3 决策规划层决策规划层负责回答“下一步往哪迈”。高速奔跑状态下落脚点选择非常关键落脚点太靠前会形成较大的制动冲击。落脚点太靠后会重心不稳。腾空阶段的姿态调整必须提前完成。一些系统会采用模型预测控制 MPC 来滚动优化未来几十毫秒到几百毫秒的质心轨迹和落脚点。MPC 的优点是能同时考虑约束比如关节角度极限、速度极限、摩擦力条件在每一步滚动求解中生成更安全的运动计划。3.4 运动控制层运动控制层是把规划轨迹转化为关节扭矩的关键。它需要处理一个核心矛盾全身有几十个关节但机器人的任务目标可能只有几个比如“质心向前 3 米每秒”“躯干保持水平”“左脚在某个时刻落地”。解决思路是采用全身动力学控制 WBC把多个任务按优先级组合进同一个优化问题在满足动力学和关节力矩约束的前提下求解全身关节力矩。优先级高的任务比如“保持姿态稳定”会比“手臂摆动幅度”这类低优先级任务优先满足。3.5 中间件与实时调度机器人软件框架需要有通信机制和调度机制。ROS 和 ROS 2 是目前使用最广的机器人中间件特点是生态丰富、模块解耦。但要注意ROS 2 本身并不能保证硬实时。在真正的关节控制回路里通常会用以下组合主控系统运行 Ubuntu ROS 2负责感知、规划和人机交互。实时核或独立 MCU 运行裸机或 RTOS负责关节伺服。主控与实时核之间通过共享内存或 EtherCAT 等高速总线通信。关节控制频率通常跑到 500Hz 到 2kHz也就是说每 0.5 到 2 毫秒要完成一次状态读取、控制计算和力矩输出。如果跑在非实时操作系统上调度抖动就可能让控制效果明显变差。4. 从算法角度看步态控制4.1 线性倒立摆模型人形机器人运动控制中最经典的简化模型之一是线性倒立摆 LIPM。它把机器人的全部质量集中到质心把支撑脚视为地面上的一个支点并假设质心高度保持不变。在这个假设下质心的水平加速度可以表示为ddot_x (g / h) * (x - p_x)其中g 是重力加速度。h 是质心高度。x 是质心水平位置。p_x 是支撑脚位置。这个公式的含义很直观质心与支撑点的水平偏差越大质心加速度越大。机器人在迈步时支撑脚在质心后方质心就会向前加速当支撑脚切换到质心前方质心又会减速。通过规划支撑脚的位置和切换时机就可以控制机器人的前进速度。4.2 ZMP 与步态稳定性ZMP 零力矩点是双足机器人稳定性分析中的核心概念。它的直观定义是地面反作用力的合力在支撑多边形内的等效作用点。只要 ZMP 落在支撑脚构成的凸多边形内部机器人就不会绕支撑脚边缘翻转。对于跑步来说腾空阶段 ZMP 没有定义因此步态规划需要重点处理落地阶段。落地瞬间的 ZMP 必须快速回到支撑多边形内部否则机器人会顺着惯性往前倒。工程师经常把 ZMP 作为状态反馈量结合预观控制来规划质心轨迹。这类方法发展成熟是很多双足机器人稳定行走的基础。4.3 全身动力学控制跑步问题是典型的多约束动态优化问题。全身动力学控制 WBC 的核心思想是不要把每一个关节当作独立的位置伺服器而是把整个机器人看成一个受关节力矩驱动、受接触约束的多刚体系统。WBC 会在每个控制周期求解一个带约束的二次规划问题。约束包括关节力矩物理极限。接触点的受力必须在摩擦锥范围内。关节角度和角速度极限。任务之间的优先级关系。求解结果是一组满足所有约束的关节力矩指令。相比传统的“先规划轨迹再跟踪轨迹”方法WBC 能更好地应对落地冲击和外部扰动是高速动态运动控制的重要支撑技术。4.4 强化学习带来的新方向传统控制方法依赖精确的动力学模型模型误差会让控制效果下降。跑步这种强动态、强非线性的任务传统方法建模非常困难。因此近几年的趋势是使用强化学习在仿真环境中训练策略再迁移到真实机器人上也就是 Sim2Real。强化学习策略输入通常包括关节角度与角速度。躯干姿态和角速度。IMU 加速度。足底接触状态。输出则可以是目标关节位置增量也可以是直接输出关节力矩。奖励函数设计是训练成败的关键常见奖励项包括前进速度接近目标。躯干保持水平。关节力矩平滑避免突变。能耗尽量低。不要出现不自然的摆动。通过大规模并行仿真训练策略网络可以在几小时内学到非常复杂的跑步步态。之后再通过随机化环境参数、添加感知噪声、平滑策略输出等方法把策略迁移到真实机器人上。5. 简化演示用 Python 观察步态轨迹5.1 演示目标这里不代表完整的人形机器人仿真而是用 Python 做一个概念演示帮助你理解“步态相位”和“关节轨迹生成”这两个概念。真实系统需要多刚体动力学、接触模型和状态估计下面的代码只是让你直观感受髋、膝、踝三个关节在一个步态周期内的角度变化是有规律的而且彼此之间存在相位配合。5.2 关节轨迹生成代码import numpy as np import matplotlib.pyplot as plt # 步态周期时长秒 T 0.5 # 采样间隔秒 dt 0.01 # 时间轴 t np.arange(0, T, dt) # 相位从 0 到 2*pi表示完成一个完整步态周期 phase 2.0 * np.pi * t / T # 髋关节俯仰角支撑相与摆动相交替 hip_angle 0.35 * np.sin(phase) # 膝关节俯仰角摆动相时明显屈膝支撑相时接近伸直 # 这里用 ReLU 形式突出摆动相屈膝 knee_angle 0.8 * np.maximum(0.0, np.sin(phase)) # 踝关节俯仰角与髋关节方向相反 ankle_angle -0.2 * np.sin(phase) plt.figure(figsize(9, 4)) plt.plot(t * 1000, hip_angle * 57.3, labelHip pitch) plt.plot(t * 1000, knee_angle * 57.3, labelKnee pitch) plt.plot(t * 1000, ankle_angle * 57.3, labelAnkle pitch) plt.xlabel(time (ms)) plt.ylabel(angle (deg)) plt.title(Simplified gait trajectory for one step cycle) plt.legend() plt.grid(True) plt.show()这段代码生成了三个关节在一个步态周期内的简化角度轨迹。可以看到髋关节在一个周期内先向前摆再向后摆。膝关节在摆动相出现明显屈膝模拟抬腿动作。踝关节角度与髋关节大致相反帮助维持脚掌姿态。实际机器人的轨迹不会这么简单但“相位配合”的思想是一致的。真实轨迹通常来自离线优化计算。模型预测控制滚动生成。强化学习策略网络输出的目标关节位置。5.3 机器人控制参数配置文件示例在实际控制系统中关节参数和步态参数通常不会硬编码在源码里而是放在 YAML 配置文件中方便调试。下面是一个简化示例# config/humanoid_runner.yaml robot: mass: 28.0 # 总质量单位 kg com_height: 0.72 # 站立时质心高度单位 m foot_size: [0.12, 0.07] # 脚掌长宽单位 m actuator: # PID 参数示例实际需要按电机和负载整定 hip_pitch_kp: 60.0 hip_pitch_kd: 2.5 knee_pitch_kp: 80.0 knee_pitch_kd: 2.0 ankle_pitch_kp: 40.0 ankle_pitch_kd: 1.5 gait: max_forward_speed: 3.0 # 最大前进速度单位 m/s step_length: 0.35 # 步长单位 m cadence: 180 # 步频单位 步/分钟 control: rate: 1000 # 控制频率单位 Hz safety_torque_limit: 120 # 关节最大力矩保护单位 N·m配置文件中的每个参数都有实际含义com_height 决定倒立摆模型的高度影响步态规划结果。PID 参数决定了关节跟踪的快速性和稳定性。max_forward_speed、step_length、cadence 一起定义了跑步的速度目标。safety_torque_limit 是安全保护参数防止电机过载损坏结构。在实际调试中工程师经常先在仿真环境里调好这套参数再把参数迁移到真机上进行微调。6. 常见问题与排查思路问题现象常见原因解决思路跑步过程中突然摔倒状态估计偏差或落脚点规划不当检查 IMU 滤波效果观察 ZMP 是否超出支撑多边形速度始终提不上去关节力矩不足或控制频率太低检查峰值力矩输出提高控制频率优化步长和步频匹配电机跑一会就过热持续大功率输出散热不足增加散热降低峰值功率限制优化运动轨迹减少能耗软件控制抖动明显宿主系统实时性不足使用实时核或独立 MCU保证控制周期稳定仿真里跑得很稳真机一跑就倒Sim2Real 差距过大增加系统辨识做领域随机化平滑策略输出6.1 症状机器人跑步容易摔倒摔倒通常是综合问题排查顺序建议是先看状态估计是否可靠。如果 IMU 漂移或者足底接触判断错误后续控制算法再优秀也没用。再看落脚点规划。落地瞬间支撑脚位置如果与预测偏差过大会破坏平衡。最后看关节执行情况。检查关节是否能跟踪指令是否存在明显延迟或力矩不足。6.2 症状仿真与实物表现差异大这是机器人领域最容易遇到的问题通常解法是精确测量机器人的质量、质心位置、关节转动惯量建立更真实模型。在仿真中随机化摩擦系数、质心偏移、控制延迟等参数让策略学会适应变化。真实机器人的控制参数要保守一点先确保安全再逐步逼近仿真性能。7. 最佳实践与工程建议7.1 先从仿真开始再迁移真机永远不会建议你直接在一台昂贵的人形机器人上测试新算法。正确流程是在 MuJoCo、Isaac Gym、Bullet 或厂商专用仿真器中搭建机器人模型。在仿真中开发步态规划和控制算法。反复测试摔倒、扰动、极限速度等边界场景。做好安全保护后才在真机上进行低速验证。仿真环境中的模型精度越高迁移到真机后的调试成本就越低。7.2 把安全机制放在控制系统的第一优先级人形机器人跑步时一旦失控破坏力很大。工程上至少需要以下几层安全保护软件层关节角度限位、力矩限位、速度限位。控制层急停指令优先检测到异常立即切换到安全姿态。硬件层机械限位块、缓冲结构、外部急停按钮。测试环境在跑步机或固定吊绳保护下进行限速测试。安全机制不是后期加上去的功能而是控制系统设计的一部分优先级应该高于性能目标。7.3 模块化软件架构更方便团队协作建议把感知、状态估计、决策规划、运动控制拆成独立模块模块之间定义清晰的数据接口。比如状态估计模块输出标准化的机器人状态不关心上游是哪种传感器。决策规划模块输出落脚点和步态参数不关心下游是哪种控制算法。运动控制模块只接受统一格式的控制目标。这种设计让团队可以同时迭代不同模块也方便后续更换传感器或者控制算法而不影响整体系统。7.4 关注国产芯片和开源生态人形机器人芯片一直是行业热点。全志科技等国产芯片厂商在机器人芯片方向的布局说明端侧算力正在被人形机器人硬件设计者重视。选择计算平台时不一定要盲目追求最大算力而应综合考虑实时性是否满足控制频率要求。能否高效运行视觉和强化学习模型。功耗、体积、成本是否支持量产。周边生态是否完善是否有足够社区资料。软件生态同样重要。ROS 2、动态库、仿真插件、驱动 SDK 的成熟度会直接影响团队开发效率。开源社区和厂商生态越完善项目越容易快速迭代。8. 总结与学习路线回到开篇的话题。北京人形机器人百米 9.39 秒的说法虽然很容易吸引关注但真正值得学习的是支撑这种速度的整个技术体系高力矩密度的关节执行器、实时可靠的软件架构、精准的状态估计以及能处理强动态约束的步态控制算法。如果对人形机器人运动控制感兴趣下一步可以按这个顺序学习巩固机器人学基础重点是刚体动力学、旋转矩阵、欧拉角和关节坐标变换。学习双足稳定性基础理解 ZMP、倒立摆模型和步态规划。上手 ROS 2搭建一个带 URDF 模型的仿真机器人跑通 basic 的控制例程。研究模型预测控制和全身动力学控制理解优化问题如何建模。尝试强化学习 Sim2Real 流程在仿真环境中训练一个简单的行走策略再分析迁移问题。人形机器人是一个交叉学科项目机械、电子、控制、算法、软件缺一不可。相比纠结“机器人会不会取代短跑运动员”更有意义的是亲自下场写一个步态规划函数或者在一个开源仿真环境里让机器人走起来。从实践中感受到一次从摔倒到站稳、从慢走到快跑的过程比任何热点讨论都更有收获。