人形机器人运动控制入门：Xbotics运控全景从行走到全身操作

想搞懂人形机器人运动控制，却不知道从哪下手？这篇入门指南基于 Xbotics 具身智能学习指南的运控综述，带你用最短路径建立全景认知：双足行走、全身操作（Whole-Body Manipulation）、模型预测控制（MPC）、全身控制（WBC）与强化/模仿学习如何协同，以及如何在仿真中从"走路"练到"边走边干活"。

1. 人形机器人运控在解决什么问题 🤖

人形机器人具备"躯干 + 双臂 + 双腿"的类人结构，运控要解决的核心问题是：如何让它在行走的同时稳定地、安全地完成操作任务。Xbotics 把这一方向拆成 5 块拼图：

这些概念的完整展开见 docs/1-embodied-overview/1.4-运控综述.md，它是本指南中运控方向的必读总纲。

📌 上图为典型的运控算法分层架构：底层仿真驱动 → 强化学习算法层（PPO 等）→ 训练/推理层 → 仿真到真机（sim2real）部署层。理解这条链路，就理解了人形机器人运控工程的主干。

2. 行走控制：从"站稳"到"跑跳"的演进路线

人形行走的研究历程可以概括为：被动行走 → 准静态行走 → 动态行走，逐步把外界扰动和负载纳入考量。工程上的常见做法是分层：

• 全局路径规划器：管"走哪条路"，考虑环境拓扑与长程路径；
• 局部步态/脚步规划器：管"每一步怎么迈"，在局部地形上生成可行步态。

在算法层面，当前主流是两条路线并行：

1. 模型路线：模型预测控制（MPC）+ 全身控制（WBC），可解释、稳定；
2. 学习路线：强化学习（RL）+ 模仿学习（IL），能涌现跑酷、爬楼梯等高动态技能。

MPC 会把"行走+操作"写成有限时域的最优控制问题：用简化模型（如单刚体模型 SRBM、线性倒立摆 LIPM）保证实时性，用质心/全身动力学模型提升精度，再用预热（warm start）、时间步线性化等技巧加速。WBC 则负责把上层轨迹"落到关节层"——通过 QP（二次规划）同时满足轨迹跟踪、保持平衡、关节限位等约束。

💡 新手记忆口诀：MPC 想下一步怎么走，WBC 算每个关节出多大力，RL 让整体会在跌倒中学着爬起来。

3. 全身操作：为什么"手不够用了"

人形机器人操作与机械臂最大的区别：它可以用整个身体干活——用肘部顶、用躯干扛、用腿蹬地借力。这就是全身操作（Whole-Body Manipulation），难点在于：

• 高维自由度 + 复杂接触动力学，计算开销大；
• 感知、状态估计、规划、控制需要系统级协同；
• 接触力必须"既精准又柔顺"，不能把易碎品捏碎，也不能推不动重物。

这里触觉传感非常关键：足底触觉用于估计地面反作用力（GRF）与地形属性，手部触觉参与力/阻抗控制回路，全身触觉则让机器人搬运大物体、被人推拉时更安全。

前沿案例：NVIDIA 与斯坦福等推出的CHIP 模块（测试载体为宇树 G1），在不改参考轨迹的前提下，只微调策略的观测目标，就让人形机器人获得"可控柔顺力控"，实现了擦黑板、开弹簧门、两台机器人协同搬重物（成功率约 80%）。详细解读可看 files/papers/NVIDIA-CHIP-humanoid-motor-skills-笔记.md。

4. 技能怎么来：RL、模仿学习与混合方法

运控技能的数据来源与学习方式，决定了机器人"会做什么动作"：

实战技巧包括：课程学习（逐级加难度）、域随机化（Domain Randomization）提升真机迁移鲁棒性、行为克隆（BC）快速复制专家行为。这些内容在 docs/1-embodied-overview/1.4-运控综述.md 的 1.4.6 节有系统梳理，也可对照 docs/4-classical/4.2-强化学习.md 补算法基础。

5. 仿真实战：在虚拟世界里练走路 🧪

运控学习的第一步永远是在仿真中大规模训练。Xbotics 指南提供了五套主流仿真器的入门笔记，位于 docs/6-simulation/README.md：

• Isaac Lab / Isaac Sim（NVIDIA）：人形 RL 训练的事实标准，GPU 并行环境极快；
• MuJoCo：接触物理精度高，Mujoco Menagerie 内置大量开源人形模型；
• PyBullet / Genesis / Gazebo：各有侧重，适合不同场景。

各仿真器对机器人模型格式（URDF / MJCF / SDF 等）的支持情况如下：

而像 Unitree G1、Atlas、iCub 这样的人形机器人开源模型，已具备视觉、惯性、碰撞属性，可直接导入训练：

📖 想动手？按这个顺序走：

1. 读 files/foundations/6.1.1-Isaac Sim入门.md 和 files/foundations/6.1.2-Isaac Lab入门.md，搭好环境；
2. 跟着 files/foundations/Isaac-Lab-RL实战-配置与调参-笔记.md 训练你的第一个平衡任务；
3. 对照 files/foundations/6.2-MuJoCo.md 用 MuJoCo 交叉验证，理解接触物理差异。

模型训练之后，就是 sim2real：仿真中训练的权重直接部署到真机，通常需要域随机化、系统识别等手段缩小虚实差距，完整方法见 docs/5-sota/5.4-Sim2Real.md。

6. 从人类视频到运控：世界模型新路线

除了直接训练策略，还有一条新兴路线：先看视频、学物理，再指导运动。NVIDIA 30 人联名的 DreamDojo 用 44,000 小时人类第一人称视频预训练"通用机器人世界模型"，让机器人学会"想象动作之后世界会变成什么样"，进而用于策略评估、规划与遥操作——评估结果与真机成功率的相关系数高达约 0.995。详见 files/papers/NVIDIA-30auth-44k-hours-video-dexterous-manipulation-笔记.md 与 docs/1-embodied-overview/1.3-世界模型综述.md。

7. 新手 4 周起步计划 🗺️

更完整的 4–8 周路线图（含 RL、Sim2Real、VLA 等 10 条路线）见 docs/2-roadmaps/README.md。

一句话总结：人形机器人运动控制 = 行走（MPC/步态）+ 全身操作（WBC/力控）+ 学习（RL/IL/世界模型）+ 仿真落地（sim2real）。沿着本指南的"综述 → 路线 → 仿真 → 前沿"四步走，你就能从"看懂概念"进阶到"跑出自己的第一个运控 Demo"。