做机器人这几年，我越来越觉得“看起来可爱”和“跑起来稳”是两回事。MicroDuck 这只双足机器鸭就是一个很典型的例子：外观上它是一只走路摇摇晃晃的鸭子，内部却是一套跑在 50Hz 上的神经控制闭环。很多人第一眼看到它，觉得这就是个玩具；但只要拆过它的关节、调过它的控制周期，就会明白这玩意儿的技术密度一点都不比一台人形机器人低。这篇文章我就从项目拆解的角度，把 MicroDuck 的 50Hz 神经控制闭环讲透，包括为什么是 50Hz、闭环里到底有哪些环节、神经网络是怎么嵌进去的，以及仿真和实机调试时踩过的那些坑。想自己动手做双足机器人，或者对“低频控制周期+神经网络”这个组合感兴趣的朋友，这篇应该能帮你省不少时间。
1. 先搞清楚这只鸭子到底要做什么
1.1 为什么是“鸭子”而不是“人形机器人”
MicroDuck 的定位从一开始就不是“缩小版 Atlas”，而是一个低成本、高可复现的双足步态实验平台。双足机器人最难的从来不是“能站住”，而是在动态行走中保持稳定。人形机器人看起来高级，但腿部自由度多、惯量大、结构复杂，对电机和驱动器的要求非常苛刻。鸭子形态则把问题压缩到最核心的两个自由度：髋关节和踝关节，配合一个较大的脚掌，让研究者可以把注意力集中在“平衡”和“步态”这两个关键点上。
这种形态还有一个容易被忽略的好处：容错率高。鸭子重心低、脚掌大，即使在控制参数没调好的时候，也不容易出现硬质损伤。我实测过很多次，在参数突变时鸭子只是踉跄几步，然后自己站稳，换成人形机器人早就摔得七零八落了。对于算法迭代来说，这个特性特别宝贵，因为你可以放心地把控制周期拉长、把神经网络输出加噪声，去观察系统的极限行为，而不用担心每次实验都要修机械结构。
1.2 50Hz到底是个什么概念
50Hz 在控制领域里不算快，甚至可以说偏慢。工业伺服系统普遍跑 1kHz 到 8kHz 的电流环，机器人关节的力矩控制一般也在 500Hz 到 1kHz。MicroDuck 选择 50Hz 作为神经控制闭环的主周期，不是因为它跑不快，而是刻意把控制频率压到接近真实世界物理交互的“临界值”。
为什么这样设计？核心原因有两个。
第一，神经网络的推理速度。MicroDuck 的“神经控制”不是简单的 PID 参数自整定，而是用一个小型神经网络在控制周期内完成步态相位估计、地面反作用力预测和关节补偿量的计算。如果控制频率冲到 500Hz，主控的算力会被网络推理大量占用，留给传感器滤波、状态估计和通信的余量就很紧张。50Hz 意味着每 20 毫秒执行一次完整的“感知-决策-执行”循环，这个时间窗口足够跑一个轻量级网络，也足够做复杂的传感器融合。
第二，双足机器人本身的机械特性。鸭子步态的固有频率通常集中在 2Hz 到 6Hz 之间，也就是说，50Hz 的控制频率已经是机械系统固有频率的 8 到 25 倍。根据香农采样定理，采样频率至少要是被采样信号最高频率的两倍才能不失真，50Hz 对于步态控制来说是充裕的，关键在于控制器输出的平稳性和相位精度。
1.3 “神经控制闭环”这个叫法是怎么来的
很多人一听“神经控制”，下意识以为是端到端强化学习——摄像头输入、电机输出全包了。MicroDuck 的神经控制闭环跟这个不完全一样，它是把神经网络作为闭环控制器的一部分，而不是替代整个反馈链路。
具体来说，MicroDuck 的控制结构分为两层。底层是传统的闭环控制回路，负责电机电流、速度和位置的调节，这一层跑在较高的频率上，保证执行器的基本响应；上层才是神经控制层，它接收编码器数据、惯性测量单元数据和历史状态序列，通过一个小型神经网络计算步态相位和姿态补偿量，然后修正底层闭环的给定值。
这种结构的好处是：神经网络不需要从零开始学习“怎么控制电机”，它只需要学习“在不同状态下应该给底层控制器什么目标”。这大大降低了训练难度，也让系统在遇到未训练过的状态时，底层 PID 闭环仍然能兜底，不至于直接失控。我个人的理解是，这种“传统闭环做执行保障、神经网络做决策修正”的架构，比纯粹的端到端方案要实用得多，至少在这个体量的机器人上是这样。
2. 整机架构与链路设计
2.1 硬件选型：从关节到主控
MicroDuck 的硬件选型遵循一个原则：够用、好买、容易替换。
关节电机用的是 42 步进电机加闭环驱动，也就是很多人说的“张大头 42 步进闭环”方案。步进电机本身扭矩大、价格便宜，还不需要减速箱就能直接输出足够大的力矩，非常适合做机器人关节。所谓的“步进闭环”，就是在电机尾部加一个磁性编码器，驱动器实时读取编码器位置，与目标位置做比较，一旦检测到失步就自动修正。这样一来，既保留了步进电机结构简单、控制容易的优点，又解决了开环步进系统最致命的丢步问题。
主控我选的是双核架构：一颗 MCU 负责底层闭环和传感器采集，另一颗 MPU 运行神经网络推理和步态规划。之所以分两颗芯片，是因为 50Hz 神经控制闭环要求“采集-推理-输出”的时序非常确定。如果让推理任务和底层控制共用一颗 MCU，中断优先级稍有冲突，整个闭环的时间抖动就会变大，反映到机械上就是忽快忽慢的抖动。
传感器方面，每个关节的闭环编码器是必备的，另外在鸭子身体重心位置装了一个六轴惯性测量单元（IMU），用来感知姿态角和角速度。这两个传感器数据在 50Hz 周期内同步采样，时间戳对齐，是整个控制闭环的数据基础。
2.2 闭环结构拆解：位置环、速度环、电流环
MicroDuck 的底层控制沿用了非常经典的“三环”结构：电流环、速度环、位置环，从内到外层层嵌套。
最里面是电流环。步进电机的驱动芯片自带电流采样，驱动器内部的 PID 调速器会根据目标电流和实际电流的误差调节 PWM 占空比，从而控制绕组电流。电流环的响应速度最快，一般在微秒到毫秒级别，它保证电机输出的力矩跟随给定值。
中间是速度环。速度环的输入是编码器计算出的实际转速，与目标转速比较后，经过一个 PID 控制器输出电流给定值给到电流环。速度环的作用是保证关节转速稳定，尤其在鸭子迈步过程中，摆动腿的角速度需要严格控制，不然就会出现“甩腿”的现象。
最外层是位置环，也就是我们常说的位置闭环。位置环接收上层神经控制给出的目标角度，与编码器实测角度做差，经过位置 PID 输出速度给定值给速度环。三环嵌套的好处是每一层只负责一个物理量，调试时可以先整定内环，再逐步往外调，每一环的行为都可预测。
在这个结构里，控制频率是逐层递增的：位置环跑 50Hz，速度环跑 200Hz，电流环跑 20kHz 左右。这种多速率控制结构其实很常见，很多单闭环直流调速系统的实验平台也用了类似的思路，只不过 MicroDuck 把最外层的决策交给了神经网络。
2.3 50Hz控制周期的取舍逻辑
把神经控制闭环定在 50Hz，我一开始也犹豫过，毕竟 20 毫秒对机器人控制来说确实不短。但实际跑下来发现，50Hz 在整体系统里其实是个很合理的折中。
首先是通信带宽的限制。MicroDuck 的关节编码器通过 CAN 总线或者串行外设接口（SPI）与主控通信，每个周期要读取多个电机的编码器数据、还要下发新的目标位置，这些数据虽然不大，但加上帧头校验和同步等待，单次通信耗时就有几毫秒。如果控制频率提到 100Hz，通信开销会占到周期的一半以上，留给算法的时间就非常紧张了。
其次是传感器滤波的考虑。IMU 的数据在 50Hz 采样率下，可以通过滑动窗口滤波很好地抑制高频噪声。如果你把采样率提上去，反而需要更复杂的滤波器来保证相位延迟不增大，否则控制器的“感觉”会迟钝，这就是典型的“数据更快但信息更慢”的矛盾。
最后是神经网络的推理耗时。我实测过 MicroDuck 上用的轻量网络，单次前向推理在目标硬件上大约占用 3 到 5 毫秒。50Hz 周期给了推理足够的时间余量，神经网络的输出也能以合理的频率刷新，不会出现“网络跟不上控制”的窘境。
2.4 陷波器：为什么50Hz系统一定要处理共振
提到 50Hz，就绕不开 50Hz 陷波器。虽然 MicroDuck 的机械结构不算大，但双足机器人在行走时，腿部的柔性部件和连接间隙会形成一个复杂的振动系统。步态激励频率通常在几赫兹，但谐波成分可以延伸到几十赫兹，其中在 50Hz 附近往往存在一个明显的结构共振峰。
如果不处理这个共振峰，控制器的输出会被机械结构“放大”，表现出来就是鸭子站立时腿部高频抖动，行走时姿态传感器数据里叠加了大量 50Hz 左右的正弦噪声。解决办法就是在传感器数据处理链路里加一个 50Hz 陷波器，把共振频率附近的信号衰减掉。
陷波器的原理说起来不复杂，就是用一个二阶数字滤波器在特定频率点形成一个很窄的阻带。我在实现时用的是双二阶滤波器（Biquad）结构，中心频率设在 50Hz，带宽设为 2Hz 到 3Hz。这样既能把共振能量压下去，又不会过度影响 5Hz 以下的步态信号。调带宽要特别小心，带宽太宽会把有用信号也滤掉，导致鸭子行动变得“迟钝”；带宽太窄又滤不干净，共振噪声还是会混进状态估计。
下面是我在实现陷波器时用的参考公式和核心代码逻辑，用的是标准的 DSP 双二阶结构：
// 双二阶陷波器，中心频率50Hz，采样率200Hz // Q值决定带宽，Q越大带宽越窄 float notch_process(float input) { float w0 = 2.0f * PI * 50.0f / 200.0f; float alpha = sin(w0) / (2.0f * Q); float b0 = 1.0f; float b1 = -2.0f * cos(w0); float b2 = 1.0f; float a0 = 1.0f + alpha; float a1 = -2.0f * cos(w0); float a2 = 1.0f - alpha; float output = (b0/a0)*input + (b1/a0)*x1 + (b2/a0)*x2 - (a1/a0)*y1 - (a2/a0)*y2; x2 = x1; x1 = input; y2 = y1; y1 = output; return output; }这个代码在实际部署时要根据采样率重新计算系数，不能直接照搬。另外一个经验是：陷波器最好加在编码器和 IMU 数据进入状态估计之前，而不是加在控制输出上。因为控制输出端的陷波补偿往往会带来额外相位滞后，反而让闭环更不稳定。数据输入端的滤波虽然也会引入延迟，但延迟是确定性的，可以在状态估计里做补偿。
3. 神经控制算法怎么嵌进闭环
3.1 从传统PID到神经网络的过渡
MicroDuck 最开始的版本其实和“神经”两个字没什么关系，就是最朴素的 PID 闭环。每个关节一个位置 PID，配合简单的重心偏移补偿，就能让鸭子站稳，也能走出笨拙但确定的步伐。
但纯 PID 的瓶颈很快暴露出来：双足步态的鲁棒性不足。每当鸭子遇到轻微的外力扰动，比如被人推了一下，或者走过稍微不平的地面，固定参数的 PID 需要较长的时间重新收敛，而且在快速动态步态下，重心的实际位置和支撑脚的关系变化很快，单纯靠误差比例、积分和微分，很难刻画这种高维非线性关系。
这时候自然就想到了神经网络。但我不希望做黑盒式的端到端替换，所以采用了一个渐进式的方案：先让 PID 闭环跑通所有基础动作，然后采集大量“状态-最优动作”数据对，用这些数据离线训练一个网络，让它学会预测 PID 目标值该往哪个方向修。
3.2 单闭环电机调速的底子
这里要插一句，MicroDuck 的底层电机控制其实参考了经典的“单闭环直流调速系统”实验。虽然步进电机和交流伺服电机的数学模型不完全一样，但“测速反馈-误差调节-PWM输出”的架构是相通的。在调试 MicroDuck 时，我先搭建了一个简化的单闭环速度控制实验，让电机空载转动，验证速度环的 PID 参数，然后再接入位置环和鸭子本体。
这个小实验看起来简单，但作用很大。它让我在最容易理解的结构里摸清了电机的时间常数、编码器的分辨率噪声以及 PWM 频率对电流纹波的影响。没有这个步骤，直接在三环结构上调参，遇到问题都不知道是内环还是外环造成的。
3.3 神经网络在50Hz下能干什么
MicroDuck 的神经网络承担了三个具体任务。
第一是步态相位估计。双足行走本质上是支撑腿和摆动腿交替的过程，步态相位就是描述这个交替状态的变量。传统方法会用足底压力传感器或编码器数据来计算相位，而 MicroDuck 让网络直接从 IMU 和关节编码器数据中回归当前相位，好处是省掉了额外的压力传感器，也简化了标定流程。
第二是地面反作用力预测。网络输出一个对地面接触状态的估计，帮助控制器判断当前是否处于支撑期。这个预测不是精确测量，而是从历史状态中推断，相当于给控制器一个“感觉预测”，在压力传感器数据缺失的情况下，这个预测能显著改善步态的平滑度。
第三是关节补偿量生成。网络不是直接输出关节角度，而是输出一个“PID 目标修正量”。最终的目标角度 = 步态规划基准角度 + 网络输出的修正量。这样设计的好处是网络只需要学习“偏差”，不需要重新学习完整的步态曲线，训练收敛速度极快。
3.4 控制周期内“算得完”才是关键
很多人做神经网络控制，只关注网络精度，忽略了实时性。在 50Hz 控制周期里，“算得完”比“算得准”更优先。如果网络推理超过了 20 毫秒，整个闭环就会掉帧，掉帧意味着上一帧的目标位置没有更新，电机就会保持旧位置，这比控制偏差更致命。
我的做法是先用剪枝和量化把网络规模压到一个很小的水平。MicroDuck 的网络是一个只有两层隐藏层的多层感知机，每层 64 个神经元，加上量化到 8 位整数（INT8），推理耗时实测在 3 毫秒左右，只占整个周期的 15%。剩下的时间分配给传感器读取、状态估计、步态规划和通信。
另一个关键技巧是固定推理的时序。我在代码里把 50Hz 周期分成几个固定时隙：前 5 毫秒采集和同步传感器数据，中间 5 毫秒做状态估计和陷波滤波，再 5 毫秒跑神经网络推理，最后 5 毫秒下发控制指令并做日志记录。每个时隙结束都有一个标志位，下一时隙开始前检查超时，一旦超时就在日志里打点。实测下来，这个固定时隙调度让整个系统的抖动控制在 1 毫秒以内，这对 50Hz 闭环来说是至关重要的。
# 控制主循环伪代码，50Hz import time period = 0.02 # 20ms next_cycle = time.monotonic() while True: # 时隙1：采样与同步，5ms imu_data = read_imu() encoder_data = read_encoders() # 时隙2：滤波与状态估计，5ms filtered = notch_filter(encoder_data) state = estimate_state(imu_data, filtered) # 时隙3：神经网络推理，5ms phase = nn_predict_phase(state) compensation = nn_predict_compensation(state, phase) # 时隙4：指令下发与日志，5ms target_positions = plan_step(phase) + compensation send_torque_commands(target_positions) log_state(state, phase, target_positions) next_cycle += period sleep_time = next_cycle - time.monotonic() if sleep_time < 0: log_overrun(time.monotonic() - next_cycle) else: time.sleep(sleep_time)4. 仿真到实机：MuJoCo里的那只鸭子
4.1 建模和重放
MicroDuck 的控制器在真机上调试之前，我习惯先在 MuJoCo 仿真环境里验证。MuJoCo 的特点是接触模型比较准，特别适合做双足机器人的步态仿真。我在 MuJoCo 里做了鸭子的刚体模型，关节参数、质量分布、脚掌形状都尽量按照实机的三维模型来设置。
MuJoCo Viewer 的一个重要用途是“重新播放（replay）”。每次实机运行，我会把编码器数据、IMU 数据和控制器输出全部记录成日志，然后在 MuJoCo 里重放这些数据，驱动模型运动。你可能会问，这不就是把实机运动在仿真里复现一遍吗？有什么意义？
意义在于对照。如果 MuJoCo 模型足够准确，那么重放出来的动画应该和实机拍摄的视频基本一致。一旦不一致，就能定位问题：如果是动力学参数不对，动画会显示模型滑倒或抖动；如果是传感器数据异常，动画里关节角度会出现跳变。这个“重放比对”的过程，比看曲线、看日志直观得多，能快速定位很多隐藏问题。
4.2 50Hz控制指令在仿真里怎么同步
仿真环境的时间步长通常比控制周期短得多。MuJoCo 推荐的时间步长在 0.5 到 2 毫秒，而 MicroDuck 的控制器更新周期是 20 毫秒。这就需要在仿真里做一个“控制器频率降采样”的机制，否则直接把控制器挂到仿真循环里，就会变成 500Hz 甚至更高的控制频率，完全偏离实机表现。
我的做法是给仿真环境套一个缓冲区：仿真主循环每个时间步更新物理状态，但只在累计满 20 毫秒时才读取一次控制器输出。这样仿真里的鸭子虽然在物理层面以高频率更新，但控制指令是每 20 毫秒才变化一次，和实机的时序完全对齐。
这个同步细节特别重要。如果你在仿真里以高频率运行控制器，那么神经网络的推理频率也会相应提高，很多在低频下不明显的问题（比如推理延迟、通信抖动）会被掩盖掉。等到移植到实机，这些问题集中爆发，你又得回头调仿真，得不偿失。从第一天起，我就强制让仿真里的控制频率固定在 50Hz，和实机严格一致。
4.3 数据质量闭环
MicroDuck 的神经网络训练依赖大量高质量的状态-动作数据，但“高质量”三个字说起来容易，做起来很难。数据质量闭环是我在这个项目里花时间最多的地方之一。
所谓数据质量闭环，简单说就是“采集-清洗-训练-回测”的完整循环。采集阶段，我会让鸭子在各种条件下行走，包括平地、斜坡、小障碍，并记录所有传感器和控制数据。清洗阶段是最繁琐的，要剔除三类脏数据：传感器饱和数据、通信异常数据、以及控制器超时期间的数据。这些脏数据如果不处理，会让神经网络学到根本不存在的“规律”。
训练阶段，我会把数据集划分为多个子集，分别用于步态相位监督、地面反作用力预测监督，以及端到端的策略模仿。回测阶段特别重要：训练好的网络要重新接入 MuJoCo 仿真，在相同初始条件下和历史数据对比，看状态轨迹是否接近。只有仿真回测通过，模型才允许上实机测试。
这个闭环机制帮我们避免了很多问题。印象最深的一次，模型在仿真里表现完美，但上实机后频繁出现奇怪的侧倾。排查了一圈，最终发现是实机的 IMU 在 50Hz 采样下有微小的时钟漂移，训练数据里虽然包含这个误差，但仿真建模没模拟，模型在仿真里学不到“抗 IMU 漂移”的能力。后来把 IMU 漂移模型加进仿真环境，并增加时钟同步补偿，问题才彻底解决。这个案例让我意识到，数据质量问题和控制算法问题不是两件事，它们是同一个闭环的两端。
5. 温度控制与长时间运行的坑
5.1 关节电机的温度闭环
MicroDuck 用的是步进电机，步进电机的一个通病是温升较快，尤其长时间在负载状态下运行，绕组温度可以轻松超过 70 摄氏度。过高的温度不仅会让电机退磁，还可能影响尾部编码器的精度。
为了解决这个问题，我在 MicroDuck 里做了一个简单的温度闭环。具体做法是在电机绕组旁边贴了一个负温度系数热敏电阻，通过 ADC 读取温度，然后接入一个独立的温度控制回路。这个回路不直接控制加热器，而是反向地限制电机输出转矩：当温度超过设定阈值，控制器会按比例减小允许的峰值电流，从而降低发热量。
温度闭环与运动闭环是并行运行的，但优先级要设置好。我设定的策略是：温度控制只在电机温度接近危险阈值（比如 75 摄氏度）时介入，正常运行时它完全不干预运动控制；一旦温度超标，它优先限制电流，即使当前正在执行步态，也要降低力矩保护硬件。这个“保护优先”的策略避免了在长时间演示时电机烧毁的惨剧。
5.2 温度和电流限幅的关系
温度控制的核心是电流限幅曲线。步进电机的发热量大致和电流的平方成正比，温度升高的速度取决于绕组热容和散热条件。我在代码里用了一个分段线性函数来描述“温度-允许电流”的关系：
- 温度低于 55 摄氏度时，不限制电流，允许峰值电流 100%；
- 温度在 55 到 75 摄氏度之间时，允许电流按比例线性下降到 60%；
- 温度超过 85 摄氏度时，直接切断关节输出，让鸭子进入安全姿态。
这个曲线经过实测调整，既不会太早限制影响运动性能，也不会太晚导致过热。在室内环境连续运行 15 分钟后，鸭子关节温度一般稳定在 60 摄氏度以内，完全在安全范围。
还有一些细节值得注意：热敏电阻的位置很关键，必须贴在电机外壳靠近绕组的位置，不能隔着很厚的安装支架；不然测到的温度和绕组实际温度差距很大。另外，ADC 采样要做均值滤波，因为电机运转时的电磁噪声会叠加在温度信号上，不经滤波会出现电流限幅反复抖动的现象。
6. 常见问题排查实录
6.1 站立时高频抖动
这个问题几乎每个做双足机器人的都会遇到。MicroDuck 在站立时表现为腿部细微但明显的高频振动，频率大概在 45Hz 到 55Hz 之间，听上去像蜜蜂在叫。
我的排查顺序是这样的：先看电流环是否有振荡，然后看编码器数据是否有噪声，最后看 IMU 的姿态估计是否在颤抖。结果是编码器数据在 50Hz 附近有一个明显的周期性尖峰，追根溯源，是电机支架的共振被 50Hz 控制周期激励出来的。解决方案就是我前面提到的 50Hz 陷波器，加在位置环的反馈通道里，抖动问题立刻减轻了大半。剩下的少量高频残余，通过降低位置环的微分增益也压了下去。
6.2 迈步时突然失步
步进闭环理论上不会失步，但 MicroDuck 还是在高速迈步时出现过一次“瞬间停顿”，停顿大约持续几十毫秒，然后鸭子突然往前踉跄一步。检查日志发现，失步瞬间电流环的给定值已经超过了驱动器允许的最大电流，触发了驱动器的过流保护，电机瞬间丢力矩。
这个问题的根源不是电机不够力，而是我的步态规划在摆动腿切换的瞬间产生了一个速度突变，位置 PID 为了追踪这个突变，输出了极大的电流给定。解决方法是给速度环的输出加一个变化率限幅（也就是做斜坡限制），让电流给定不会瞬间拉满，同时优化了步态轨迹的平滑性。这个坑告诉大家：控制器不怕误差大，怕的是误差变化率太大，加个合理的限幅很多问题迎刃而解。
6.3 仿真和实机效果对不上
MuJoCo 仿真跑得很好，一到实机就站不稳，这是所有做 sim-to-real 的人都会遇到的老大难。MicroDuck 早期也遇到同样的问题。我复盘下来，原因有三个。
第一个是摩擦力参数不匹配。仿真里的接触摩擦系数设得比较理想，而实机脚底是硬塑料，接触特性完全不同。解决方法是给鸭脚贴了一层橡胶垫，同时回仿真里把摩擦系数调到实测值。第二个是关节阻尼不一致。实机电机有减速箱的固有阻尼，仿真里只设了一个理想电机模型，导致摆动腿的惯性表现不同。第三个是延迟差异。仿真里控制器输出立即生效，实机里通信和控制指令下发有固定延迟，延迟不补偿就会出现“动作慢半拍”。
这三个问题的共同点是模型与现实的差距。我后来养成了一个习惯：每次做仿真实验，都在模型里加入一个“随机扰动范围”，比如关节阻尼加 20% 的随机偏差，接触摩擦系数也加随机偏差，让控制器在仿真训练时就见过各种“不太理想”的动力学。这个方法显著提升了仿真到实机的迁移成功率。
6.4 常见问题速查表
| 现象 | 可能原因 | 排查方向 | 解决方案 |
|---|---|---|---|
| 站立高频抖动 | 50Hz共振、反馈噪声 | 查编码器频域特征 | 加50Hz陷波器、降低微分增益 |
| 迈步瞬间卡顿 | 电流过流保护 | 查电流环给定曲线 | 加变化率限幅、平滑步态轨迹 |
| 行走时向一侧偏转 | 左右关节阻尼不一致 | 对比左右编码器响应 | 标定关节参数、软件补偿 |
| 仿真稳实机不稳 | 模型与实际参数偏差 | 检查摩擦、阻尼、延迟 | 加入随机扰动训练、贴橡胶脚垫 |
| 长时间运行电机发烫 | 电流过高、散热不足 | 查温度闭环是否介入 | 调温度-电流限幅曲线、改善散热 |
| 神经网络输出跳变 | 训练数据脏、相位估计不稳 | 检查数据质量闭环 | 清洗数据、增加相位平滑滤波 |
| 控制掉帧 | 推理超时、任务调度冲突 | 查时隙超时日志 | 压缩网络模型、优化任务优先级 |
6.5 时间同步与日志分析
MicroDuck 的神经控制闭环里，时间同步是整个系统稳定运行的基础。每个传感器的数据都要在进入控制周期时就打好时间戳，而不是等到读取的时候才补。如果时间戳对齐不好，你在分析日志时会发现神经网络输出和实际运动状态之间存在一个“神秘的时间偏移”，这个偏移会让整个系统变得难以调试。
我当时专门写了一个日志分析脚本，可以自动检测每个时隙的耗时分布，并画出控制周期内的时间线。这个工具帮助我定位过好几个棘手问题：比如某个版本的固件偶尔会出现传感器读取超时，导致整个 50Hz 周期被拉长到 30 毫秒，鸭子就会每隔几步出现一次明显的“点头”动作。日志上线后，这种偶发问题再也无处遁形。
所以如果你也在做类似的低频控制闭环，我强烈建议从一开始就把时间同步和日志记录当作核心功能来设计，而不是事后补救。好的日志，就是调试时的那盏灯。
我自己在这个项目里最大的体会是：50Hz 的神经控制闭环，真正难的从来不是神经网络本身，而是怎么在固定周期内把感知、推理、执行这件事稳定地做对。MicroDuck 只是一只鸭子，但它把这个难点暴露得很彻底，也让所有参与的人学到了非常多。如果你也想复现一个类似的项目，我建议从最朴素的三环 PID 先跑通，再一步步加入陷波器、神经网络和仿真迁移，步子大了很容易扯着蛋。这只鸭子后续我还在继续扩展，包括加足底压力感知、做更复杂的步态切换，以及把训练好的策略直接导入 MuJoCo 做大规模并行验证。等技术稳定了，我再单独写一篇，聊聊怎么让 50Hz 的系统跑出接近 200Hz 的平滑效果。
