人形机器人双足奔跑与口型跟随：从动态稳定到视觉运动闭环

早上在行业信息流里翻到两条热度最高的消息，一条是某款双足平台Bolt跑出了35km/h的速度，另一条是人形机器人对着镜子练嘴型，日报标题写得很俏皮——“机器人学会照镜子练嘴皮子了”。一条在猛冲猛跑，一条在对着镜子做表情，表面上毫不搭界，但我在这个领域里泡久了，反而觉得这两条新闻其实是在同一张地图上画坐标：一个画的是运动能力的边界，另一个画的是交互能力的边界。

这篇文章我就把这两件事拆开揉碎聊聊，包括“照镜子练嘴皮子”到底是怎么实现的、35km/h在双足家族里是什么水平、这两个进展背后各自拉着一条什么样的技术账单，以及如果你也想在自己硬件上复刻一个类似的口型跟随Demo，我踩过的那些坑可以直接给你避掉。内容偏工程向，但也尽量把原理讲到能让刚入门的朋友听明白的程度。

1. “照镜子练嘴皮子”不是卖萌：嘴型跟随背后的视觉-运动闭环

1.1 先拆解一下这条技术链路

所谓“照镜子练嘴皮子”，严格说应该叫“基于视觉反馈的口型跟随”或“面部表达模仿”。它不是写死一段动画循环播放，而是让机器人通过摄像头感知目标人物的嘴部状态，再把状态映射成自己嘴部机构的运动指令，同时用另一个视觉信号观察自己的执行结果，形成闭环修正。

完整链路大概是这样的：

1. 外部摄像头捕获说话人的面部图像，跑一个人脸关键点检测模型，拿到68个甚至上百个关键点坐标。
2. 从关键点里筛出和口型强相关的子集：上唇中心点、下唇中心点、左右嘴角、上下唇边缘点。
3. 计算几个低维特征量：上下唇开合距离、嘴角宽度、下唇与下巴的相对位置等。
4. 通过一个映射函数（查表、线性插值、或标定好的非线性曲线），把这些特征量转换成机器人嘴部各自由度的目标角度。
5. 把目标角度以固定刷新率发送给执行器。
6. 机器人额头或颌下装一个内窥式微型摄像头，实时观察自己嘴部的实际开合程度，和目标值做差，用PID或更简单的比例修正去消除误差。

看到第6步，你就明白“照镜子”三个字不是修辞，而是技术描述。机器人不再是被动地放录播，它在看着自己的输出校准自己。人类学外语的时候也是这个逻辑——我们听自己的录音、看镜子里的嘴型，不断调整发音动作，直到听起来像、看起来也像。机器人做的是同一件事，只不过把“听”换成了“看关键点”。

这也是为什么这条新闻值得单独拎出来讲：它代表的是“感知-控制-表达”闭环，和小车避障、机械臂抓取在结构上是同一个框架，只是应用目标变成了社交信号。技术难度不高，但工程价值很具体。

1.2 为什么嘴部控制比颈部、手臂控制更难

很多人觉得，头部都做了那么复杂的眼球和颈部自由度，嘴部多两个电机不就完事了？真不是。嘴部控制有四个特别恶心的地方。

第一是自由度严重不足。自然口型里，上下唇开合、嘴唇前突、嘴角左右移动、下颌开合，至少需要五到六个独立维度才能比较像样。但绝大多数人形机器人的头部空间是寸土寸金，传感器、扬声器、散热风扇全挤在一起，最后留给嘴部机构的往往只有两到三个自由度。自由度不够，意味着很多口型只能“近似表达”，你让它说“呜”，它只能把嘴缩成一个小圆孔，但没法做出真正的前突动作。所以每次看到Demo里机器人“说话”，我都会下意识数它的嘴部自由度。

第二是延迟要求极其苛刻。真人对话里，口型和语音的同步误差只要超过100到150毫秒，观众就会产生明显的“配音对不上嘴”的感觉。而整条链路里，视觉推理、特征计算、通信传输、执行器响应每一环都要吃掉时间。我实测下来，哪怕用一块带GPU的开发板跑轻量级关键点模型，视觉环节就要吃掉30到50毫秒，普通舵机的响应又是30到50毫秒，中间再叠加控制周期和通信抖动，很容易冲过150毫秒。这个后面我专门列了一张延迟预算表，你先记住结论：嘴型控制对实时性的要求比手臂抓取高一个量级。

第三是嘴部机构工作空间小、出力小，但还要求高带宽。手臂可以容忍慢半拍，嘴巴慢半拍就是恐怖片。要跟上自然说话时每秒5到10次的嘴型变化，执行器的响应带宽至少要20到30赫兹。普通总线舵机在这个频率附近已经明显发软，甚至发热。更麻烦的是，嘴部机构间隙和背隙会被“等效放大”——手臂上1毫米的误差没人注意，嘴巴上1毫米的误差，观众会觉得它在做鬼脸。

第四是映射关系高度非线性。上下唇开合距离从0到20毫米，对应的“看起来像不像”并不是线性变化。嘴巴从闭合到微张5毫米，视觉差异巨大；但从15毫米到20毫米，视觉差异反而没那么明显。嘴唇是柔性材料，不同机器人嘴唇的厚薄、硬度都不一样，标定曲线往往只能逐台机器去做。这也是为什么很多团队干脆上了端到端学习，让网络自己去学这个非线性。

1.3 实现方式的取舍：参数映射还是端到端学习

当前想复现口型跟随，主流有三条路。

路线A：关键点驱动的查表/线性映射。提取人脸关键点后，把手动标定的“开合距离-角度”曲线做成查表，再用线性插值补齐中间值。优点是实现最快、可解释性最强，出问题了一看就知道是哪一环；缺点也很明显，泛化能力差，换一个脸型或者换一个说话风格，映射可能就不太准了。

路线B：参数化口型模型映射。类似影视行业里的Blendshape表情系统，把口型分解成一组语义系数，比如“嘴角拉伸度”“唇部圆度”“下颌开度”，然后把这些系数映射到机械自由度上。这种方案的好处是控制指令人体可读，调试方便，能很自然地和语音合成、情感表情模块联动。我自己的项目最终就是走的这条路。

路线C：端到端视觉运动策略。输入图像或视频序列，直接输出关节角度轨迹，中间不做显式特征提取。用强化学习或行为克隆训练。好处是能学到一些手工特征很难捕捉的微妙协同动作，比如说话时下巴微沉、嘴角不对称地抽动；坏处是需要大量标注数据，而且一旦效果不好，你很难判断是感知的问题还是策略的问题。

我的建议很直接：做产品Demo，选B；做研究发论文，选C。不要一上来就端到端，否则你会花80%的时间在建数据管道而不是调试效果。

2. Bolt的35km/h到底快到什么程度：双足奔跑的物理与算法账单

2.1 先看数字对比：35km/h排在什么位置

我们把几个参考速度拉一张表感受一下：

所以35km/h是什么概念？它没有打破四足机器人的纪录，但放在“双足”这个赛道里，已经是跨越式的指标。双足系统在奔跑时面临的核心难题是：存在腾空相，双脚同时离地，系统处于欠驱动状态，你没法靠静力学稳定去“装稳”，必须在极短的时间内完成质心轨迹规划、落足点调整和着地冲击吸收。而四足因为支撑点多，容错性比双足高一个档次。

我个人的判断是，35km/h这个数字本身的营销意义远大于实用意义，但它背后反映的关节功率密度、控制频率、结构刚度，才是真正值钱的资产。这些能力会直接反哺到跳跃、快速转身、越障等运动技能上。

2.2 奔跑态与行走态的本质差异：从静稳定到动态稳定

走路和跑步看起来都是“两条腿交替迈步”，但在控制系统眼里，它们是两种完全不同的动物。

走路时，机器人可以看作一个准静态系统，用ZMP（零力矩点）理论把质心投影约束在支撑多边形内，每一步都有充足的时间去调整姿态，相当于“扶着地面慢慢挪”。这种模式稳定性好、实现简单，但速度天花板很低，因为步频和步长都受限。

跑步则完全不同。跑步必须存在腾空相，在腾空时间里地面反作用力为零，ZMP这个概念直接失效。这时候机器人有点像一个连续抛接的球——质心沿着抛物线运动，你只能通过下一个落足点的位置和时机去影响下一次腾空的抛物线。落地瞬间，冲击力会是体重的数倍，腿部关节要在大扭矩、高速度、短时间三同时满足的情况下完成缓冲。

控制频率的要求也差异巨大。慢走时模型预测控制的更新频率做到50到100赫兹就够了，跑步大概率需要200赫兹以上，因为腾空时间可能只有0.2到0.3秒，留给你调整落足点的窗口极短。

拿生活里的事情类比：走路像在结冰的路面上小步挪动，慢一点就稳；跑步像骑车过弯，你必须保持一定速度，用身体重心去换稳定，一旦停下来反而会倒。控制系统从“扶墙走”切换到“高速飞驰”，底层算法全部要换一遍。

2.3 跑出35km/h，硬件和算法分别要付多少账单

先看硬件账单。奔跑时的关节峰值扭矩通常是平均扭矩的三到五倍，这要求电机有极高的瞬时过载能力，而不是只看额定功率。高功率密度无框电机、低转动惯量转子和配合合理的减速比，几乎是标配。

电池这边也不轻松。峰值功率的放电需求意味着要用高倍率电芯，普通的18650电池搞不定，得让位给高倍率聚合物电池或者超级电容做缓冲。我见过一些团队的跑跳机器人，跑完一轮之后电池直接发烫到不敢摸，就是因为峰值电流把电芯逼到了极限。

结构这边，下肢模组的转动惯量是关键。摆动腿越轻，步频才能提得越高，所以碳纤维小腿、中空结构件、钛合金关节这些轻量化方案会被反复使用。这里的“轻”不是绝对重量，而是相对于转动轴的惯量，稍微结构设计不合理，电机要把很大一部分力气花在甩自己的腿而不是推动身体前进。

再看算法账单。奔跑控制不是一个单一算法能搞定的，至少需要三层：

1. 质心轨迹规划层。通过模型预测控制（MPC）或线性倒立摆模型，根据当前状态和目标速度，规划未来几十到几百毫秒的质心轨迹。这一层要处理腾空相的抛物线方程和落地相的接触力约束。
2. 落足点预测层。在腾空相里，通过质心速度外推目标落点。这里有一个经典公式思路：落足点大约在质心投影前方某个与速度成正比的偏移位置。具体系数要根据实际情况调。
3. 状态估计与鲁棒层。奔跑时足底冲击大，IMU的振动噪声、足底力传感器的波形都很难处理，需要把关节编码器、IMU、足底力做多传感器融合。跑得越快，估计延迟对稳定性的影响越致命，往往要牺牲一点估计精度去换相位超前。

近两年不少团队直接用强化学习做足式运动控制，把整个“质心规划+落足点+关节控制”打包成一个神经网络策略，再用仿真到现实的迁移补齐真实世界差异。这条路对奖励函数设计的依赖很深，但确实解决了很多手工控制器难以处理的复杂地形适应问题。

2.4 跑得快不一定是终局，场景适配才是

很多人看到35km/h就会兴奋：“这不就能追上人了？”但实际量产产品里，移动速度从来不是越高越好。高速意味着噪声更大、刹车距离更长、功耗更高，也意味着对现场人员的安全威胁更大。安防巡逻、工业巡检这些场景，真正需要的是二十小时续航和稳定越障，而不是三秒冲刺。

那速度突破的意义在哪？我认为在于它验证了系统的能力上限：关节支持多大峰值功率、控制系统能跑多高的刷新频率、结构能承受多大的落地冲击。这些能力是去做跳跃、快速转向、上下楼梯等复杂动作的底层基础。没有跑的能力储备，很多复杂机动动作的设计空间会被锁死。

所以我的态度是这样：速度指标可以用来宣传，但真正落地的时候，要回到场景里去看“在这个环境里哪种运动模式最经济、最安全”。Bolt的35km/h，更像是在向行业宣告：双足运动能力的天花板又被顶上去了一截，接下来要看谁能把这块能力用在实际产品里。

3. 从交互表达和运动边界，看人形机器人行业接下来在卷什么

3.1 交互赛道：服务型机器人开始拼“表现力”

“照镜子练嘴皮子”背后，其实是人形机器人交互赛道的军备竞赛。过去几年，大家比的是语音识别准不准、回答流畅不流畅，但用户最终感知到的是一个“整体形象”：口型能不能对上、表情有没有起伏、眼神会不会追随、姿态会不会配合语义。

我在很多展会上观察过，观众对机器人的第一印象往往不是“它说什么”，而是“它像不像活的”。口型同步差200毫秒，观众立刻就出戏；如果口型居然能对上，哪怕语音识别偶尔犯错，用户包容度都会高很多。这是很微妙但很关键的心理效应。

所以嘴型控制不是玩具功能，它和情感表达、意图反馈一起，构成了具身智能面向人类时的那扇“窗口”。机器人对外部世界的感知和理解，最终都要通过这扇窗口传递出来。如果窗口是僵的，感知再准，用户也感受不到。

3.2 运动赛道：速度压力正在重塑机电设计思维

双足平台跑出35km/h，最直接的影响是让整个供应链重新审视“该用什么电机、什么电池、什么材料”。过去做人形机器人，很多团队用的还是从机械臂产业搬过来的电机和减速器方案，讲究的是定位精度和重复性，但不太在意瞬时爆发力和高频率加减速。

奔跑需求一上来，选型逻辑就变了：电机要看峰值扭矩和功率密度，减速器要评估在承受冲击载荷时的刚度与背隙，结构件要同时做轻量化和抗疲劳。电池管理系统要面对的也不再是平稳放电，而是频繁的脉冲大电流。

这不是只有做跑步机器人才需要考虑的问题。哪怕你做一台陪伴机器人，只要它需要快速抬头、快速转向、做大幅度的肢体表达，同样会撞上“功率密度”“响应带宽”这些同样的坎。所以我可以负责任地说，高速奔跑带来的设计理念，会逐渐渗透进所有人形机器人的机电平台。

3.3 两个方向都指向同一件事：数据闭环

口型跟随需要的三元组数据是“音频-口型-关节轨迹”。跑步控制需要的数据是“状态-动作-结果”的交互经验，或者是仿真环境里的域随机化配置。这两类数据看着完全不搭，但技术演进路径高度一致：要建数据采集系统，要搭建仿真环境，要在真机上做闭环验证，然后迭代。

这也是我判断一个团队是不是在“真做”的标准：看它有没有形成数据造血能力。如果每次Demo都要靠手调参数凑效果，那基本就是实验室特调；如果它能持续采集数据、自动扩充策略的泛化边界，那才叫能力飞轮。

4. 想自己复现一遍？我搭过一套嘴型跟随最小系统，避坑记录如下

4.1 最小系统的硬件选型方案

如果你也想在桌面级设备上复现“照镜子练嘴皮子”，不需要上全尺寸人形。我搭过一套很朴素的最小系统，成本控制在很低的范围，核心硬件如下：

• 一个带嘴部机构的小型人形头壳，嘴巴部分两到三个自由度。自己打印也行，但建议至少包含“上下开合”和“嘴角左右”两个独立动作。
• 两块执行器：预算紧可以用小型总线舵机，预算宽裕我会强烈建议换成微型直线电机加弹簧复位。舵机便宜，但带宽低、回差大，做高频嘴型修正时会有明显的“肉肉感迟滞”。
• 一个RGB摄像头，用来拍摄外部说话人。不需要特别好的分辨率，但帧率最好到60fps，曝光控制要能关闭自动模式。
• 一个内窥式微型摄像头，装在机器人额头附近，朝下观察自己嘴部。
• 一块带GPU的开发板，用来跑人脸关键点模型。CPU也行，但帧率会掉到10fps以下，延迟会让人崩溃，不推荐。
• 一块单片机或者干脆就用开发板直接驱动舵机控制板。

另外强烈建议在嘴部机构上加机械限位，并在代码里做角度软限位。否则调试时一旦映射算出一个越界角度，执行器会一直顶到机构卡死，轻则损坏齿轮，重则烧舵机。

4.2 软件链路与标定方法

第一版软件管线建议保持简单：

1. 用现成的人脸关键点模型提取68个关键点。
2. 计算两个核心特征量：上下唇中心点距离、左右嘴角距离。
3. 手动标定映射关系。做法是控制机器人依次做出“完全闭合”“自然微张”“张大嘴”三个状态，同时记录对应的特征值和关节角度，中间用线性插值补齐。
4. 写一个控制线程，以50Hz频率向执行器发送目标角度；写一个感知线程，以30fps频率跑视觉推理，计算目标特征量。
5. 加一个自身嘴型闭环：内窥摄像头的图像算出实际开合距离，和目标距离比较，用比例控制修正角度指令。

下面给一个核心伪代码片段，方便理解整体逻辑：

# 伪代码：嘴型跟随主循环 while running: # 感知线程产出 target_open = compute_lip_distance(external_frame) # 目标开合距离 # 自观察线程产出 actual_open = compute_lip_distance(inner_frame) # 实际开合距离 # 比例修正 error = target_open - actual_open angle_cmd = base_angle_map(target_open) + kp * error angle_cmd = clamp(angle_cmd, MIN_ANGLE, MAX_ANGLE) # 发送给执行器 send_servo_cmd(angle_cmd)

有一点要特别提醒：第一版系统跑通时，大概率会出现嘴部“高频颤抖”，尤其是当比例系数调大之后。这时候不要一味去降增益，先检查是不是内窥摄像头帧率太低导致反馈延迟过大，形成一个“延迟-振荡”正反馈。把内窥摄像头帧率提上来，往往比单纯调PID更管用。

4.3 实测中踩过的几个坑

我按踩坑的痛感从高到低排列，你直接抄答案就行。

第一个坑是曝光白平衡问题。外部摄像头的自动曝光一旦变化，同一个嘴型的开合距离特征值会漂移好几个像素，导致嘴型忽大忽小。解决办法是关闭自动白平衡和自动曝光，固定曝光时间，或者用支持手动模式的高帧率工业相机。

第二个坑是头部姿态干扰。人脸如果稍微抬头或转头，上下唇中心距离的变化完全可能是姿态造成的，而不是嘴型造成的。我需要同时跟踪头部俯仰角和偏航角，做一个简单坐标补偿，把关键点投影到标准正面视角下再计算距离。不加这个补偿，你让用户转头说话的时候，机器人嘴型就会乱跳。

第三个坑是执行器共振。小型舵机在20到30Hz的修正信号下，如果支架是塑料薄壁件，会发出持续高频嗡鸣，听感极其廉价。我的处理是把支架换成加厚铝件，并在电机与支架之间垫一片橡胶减震垫，同时把PID的微分项调低，避免激励共振。

第四个坑是声学问题。嘴型一跑起来，你放上TTS语音，结果机器人的控制板和风扇噪音比语音还响，观众瞬间出戏。人形机器人交互系统里，声学不是一个可选项。最后我把散热风扇换成大尺寸低转速方案，又把整个头壳内侧贴了吸音棉，才把噪音压到可以接受的水平。

4.4 跑步能力想复刻？我建议先做单腿跳跃

口型跟随是低成本高性价比的Demo方向，但如果你看了Bolt的35km/h，也想在物理平台上试试动态运动控制，我的建议非常保守：直接从单腿跳跃平台开始，不要一上来就全尺寸双足跑。

单腿跳跃平台几乎是奔跑的缩略版，它保留了奔跑最核心的困难：腾空相的存在。你只需要让一条腿周期性地弹跳起来，再在落地时缓冲住，就已经在解决“欠驱动状态下的稳定控制”这个核心问题了。参数可以先从5厘米高度、0.5秒周期开始，先做垂直跳，再加前后小幅度移动。

等单腿跳跃稳定之后，再扩展到双足交替摆腿，你面对的就是一台最简跑步机器人。此时再去考虑Bolt那种全尺寸平台的MPC和落足点规划，心里的物理直觉会踏实得多。很多团队把这一步放在仿真里做，先建一个简化双足模型，跑通质心轨迹规划后再迁移真机，也可以省下大量试错时间和硬件损坏成本。

5. 一些没能写进日报里的个人体会

5.1 一张延迟预算表，帮你判断口型跟随做不做得成

这是我做口型跟随项目时最核心的工具——延迟预算表。你把整条链路每个环节的耗时估算出来，一眼就能看到瓶颈在哪。

我第一次跑通全链路时，总计冲到了180毫秒，嘴部动作明显“慢半拍”。后来我把视觉推理从CPU挪到GPU，又把总线舵机换成直线电机，总延迟压到了90毫秒左右，观感立刻自然了很多。所以当你觉得效果不行时，先做延迟预算，再决定改哪一环，而不是盲目升级摄像头或重训模型。

5.2 怎么判断一个Demo是“真能力”还是“秀技巧”

看行业日报久了，我养成了一个职业习惯：遇到任何“机器人学会了某某技能”的视频，先问三个问题。

第一，它有没有闭环反馈？如果只是按预设时间轴播放一段动画，不管动作多复杂，都只是编舞，不是学习。第二，它能不能泛化？换一个人、换一句台词、换一个光照环境，表现是不是还稳定？如果换个角度就直接翻车，那说明过拟合严重。第三，它有没有公开失败案例？一个团队如果只放成功剪辑，大概率是在刻意隐藏真实鲁棒性。

用这三个问题去看“照镜子练嘴皮子”那条新闻，你会发现重点不是“它学会了”，而是“它开始建立自我观察的闭环”。这才是值得关注的部分。

5.3 关于“35km/h你追得上吗”的一点尾声

说回标题那个问题：35km/h你追得上吗？普通人不冲刺还真追不上。但我更愿意把这句话理解成一个隐喻——人形机器人正在从“缓慢行走的演示品”，变成“具备动态能力边界的物理平台”。今天的一小步是口型同步，明天的一小步是高速奔跑，背后共通的东西永远不变：功率密度、控制频率、数据闭环。

如果你也想进入这个领域，我的建议是从小处开始，先搭一个能闭环的小系统，把延迟预算表和“真能力与秀技巧”的判断标准焊在脑子里。因为不管行业日报怎么换标题，真正推动技术向前走的，永远是这些看起来不够炫、但极其扎实的工程细节。