重肢体人形机器人基于模型的全身控制框架

人形机器人的平衡控制在过去多被当作「基座」问题来处理，但当肢体本身占据了整机质量的很大一部分时，这个假设就不成立了。这份资料针对的正是这一情形：重肢体人形机器人在动态运动或非平整地形上行走时，肢体的摆动会持续改变整机的质量与惯量分布，质心随之产生明显波动，基座与肢体之间的耦合成为控制器设计的关键难点。作者在引言中给出了一个量级参照——Digit、Unitree G1 这类人形机器人的肢体通常占总质量的 40% 到 60%。这解释了为什么现在值得看：这不是一个边缘工况，而是相当一部分实际平台的常态。

资料覆盖的是一套完整的全身控制框架，方法路线明确属于 model-based 而非 learning-based。整体被拆成规划与跟踪两块：规划端是一个 kino-dynamics planner，被设计成模型预测控制（MPC）方案，专门用来计入重肢体对质量与惯量分布的影响；跟踪端则是一个用 Hierarchical Quadratic Programming（HQP）表述的分层优化问题，目标是最小化肢体控制误差，并确保动作服从规划器给出的策略。作者对两条路线的取舍有清楚交代：学习类方法靠数据隐式捕捉基座—肢体耦合，但策略近似黑箱、可解释性差，跟踪环节常用高增益 PID，在非线性动力学下性能退化；模型类方法显式建模耦合，精度更高，但 MPC 的优化变量维度高、约束数量大，实时计算困难。这份工作的切入点就是在这个矛盾上做减法。

第一处关键设计是简化。作者通过简化机器人系统动力学与约束来降低 MPC 的计算复杂度，使规划器能够实时生成参考运动与接触力，同时仍然把重肢体的质量、惯量影响纳入考虑。换句话说，精度不是靠堆满全动力学模型换来的，而是靠选取对重肢体问题真正敏感的项。第二处设计是层级结构。HQP 把多个控制目标按优先级排列，其作用不只是减小误差，更在于让跟踪层显式服从规划层输出的策略——材料中特别指出，此前的瞬时反馈控制器各自独立运行、目标与约束互不相同，并不保证与规划器一致，这种不一致正是肢体误差难以消除、进而导致失稳的来源之一。

实验部分给出了三个可直接引用的量化结果：受该框架控制的重肢体人形机器人动态行走速度可达 1.2 m/s；能够响应最高 60 N 的外部扰动；并在不平整表面与室外环境等具有挑战性的地形上维持平衡。文中配图展示的是一台身高 152 cm、带有两条 6-DoF 腿和两条 6-DoF 机械臂的人形机器人跨越不平整地形行走的场景。需要说明的是，材料只报告了这些指标本身，未给出对比基线、成功率或试验次数，因此无法据此判断它相对既有方法提升了多少——这属于解读层面的空白，而非材料给出的结论。

这些结果意味着什么？从工程角度看，1.2 m/s 与 60 N 抗扰共同说明：把重肢体的质量、惯量效应显式放进规划层，并不必然牺牲实时性，二者可以同时成立。对做重载或高惯量肢体平台的团队来说，更可迁移的是那个结构性判断——规划与跟踪之间的一致性需要被当作一项显式约束来处理，而不是指望跟踪控制器自行收敛。HQP 在这里扮演的角色正是把这种一致性写进优化问题。反过来说，若沿用「规划出一个参考、再用独立反馈控制器去追」的老办法，重肢体平台上的误差放大问题大概率仍会出现。

这份资料适合已经熟悉人形机器人全身控制、正在处理高肢体质量占比平台的研究者与工程团队读。读完能拿走的是一套清晰的问题拆解方式，加上三个可复核的性能数字，足以判断这条 model-based 路线是否值得在自己的平台上复现。边界也需要点明：材料止于摘要与引言，正文中的推导、约束形式与实验细节并未呈现；性能数字缺少对照与统计口径；简化动力学带来的近似误差如何界定，材料没有回答。作者单位为香港中文大学机械与自动化工程学系，工作受香港特区政府的 InnoHK 计划（经由香港物流机器人中心）与 CUHK T Stone Robotics Institute 支持。

Whole-Body Control Framework for Humanoid Robots with Heavy Limbs: A Model-Based Approach Tianlin Zhang, Linzhu Yue, Hongbo Zhang, Lingwei Zhang, Xuanqi Zeng, Zhitao Song and Yun-Hui Liu Abstract— Humanoid robots often face significant balance issues due to the motion of their heavy limbs. These challenges are particularly pronounced when attempting dynamic motion or operating in environments with irregular terrain. To address this challenge, this manuscript proposes a whole-body control framework for humanoid robots with heavy limbs, using a model-based approach that combines a kino-dynamics planner and a hierarchical optimization problem. The kino-dynamics planner is designed as a model predictive control (MPC) scheme to account for the impact of heavy limbs on mass and inertia distribution. By simplifying the robot’s system dynamics and