具身智能机器人概论 课件 第3章-四足机器人

第3章四足机器人认知架构、核心技术与实践开发《具身智能》本章导读•3.1四足机器人认知与系统架构•3.2四足机器人核心具身技术•3.3四足机器人的实践开发与调试《具身智能》学习目标•理解四足机器人认知与系统架构•掌握步态规划、平衡与运动控制•了解感知融合与自主导航•认识四足开发流程与实验方法3.1四足机器人认知与系统架构01/03013.1四足机器人认知与系统架构023.2四足机器人核心具身技术033.3四足机器人的实践开发与调试04总结思考《具身智能》《具身智能》3.1.1四足机器人的具身特性与应用场景•1.四足机器人的仿生躯体•具有前向感知与防护外壳。•可以进行环境感知和避障。•一般采用碳纤维复合材料、镁铝合金框架，具备抗扭刚性。•具有俯仰、横滚、偏航等自由度执行单元，常见的单关节扭矩为30N・m，俯仰角度范围–90°至+90°，横滚角度范围–45°至+45°，偏航角度范围-180°至+180°。•作为承力连杆，内置伺服电机与谐波减速器，确保高传动效率。•单关节常见的扭矩为20N・m，角度范围-120°至+30°。《具身智能》图3-1四足机器人典型外观•图3-1所示为四足机器人的典型外观，它包括如下部分：。《具身智能》表3-1宇树、云深处等几种四足机器人的主要性能参数名称站立尺寸/mm整机重量/kg动力形式最大载重/kg续航时间/h最大速度/(m/s)续航里程/km最大爬坡/(°)垂直越障/cm环境传感器UnitreeB21098×450×6…60.0全电驱动120(站立)；4…4-66.015-20>4540激光雷达×1深度相…UnitreeGo2700×310×40015.0全电驱动102-45.0—4016激光雷达×1光学相…“绝影”X20950×470×70053.0全电驱动20(持续作业)2-44.015.0≥3020激光雷达深度相机“绝影”Lite3610×370×44513.7全电驱动5(持续行走)1.5-2.0—2.740—激光雷达深度相机Spot1100×500×1…32.7电动液压141.51.6—30—深度相机ANYmalX891×651×87260.1全电驱动—1-21.02.5——激光雷达×1深度相…•包括站立尺寸、整机重量、动力形式、最大载重、续航时间、最大速度、续航里程、最大爬坡、垂直越障和环境传感器等。《具身智能》3.1.1四足机器人的具身特性与应用场景•包括站立尺寸、整机重量、动力形式、最大载重、续航时间、最大速度、续航里程、最大爬坡、垂直越障和环境传感器等。•【注】相关产品如更新后参数会有不同，具体以产品说明书为准。《具身智能》图3-2四足机器人的技术路径•2.全地形自适应运动具身•图3-2展示了一个四足机器人在复杂、非结构化地形中实现稳定、自适应运动的技术路径，它将感知、规划、控制、•执行等具身智能的核心有机地整合在一起，形成了一个闭环的智能运动系统。《具身智能》3.1.1四足机器人的具身特性与应用场景•3.四足机器人的应用场景•四足机器人凭借其仿生腿部结构的灵活性、复杂地形通过能力，以及相较于轮式、履带式机器人更强的环境适配性，可替代人类完成高危、复杂、低效的作业任务，广泛应用于工业、安防、救援等多个领域。•地震、滑坡、泥石流、矿井坍塌等灾害发生后，现场往往伴随废墟堆积、道路阻断、有毒有害气体泄漏等危险，四足机器人可搭载红外热成像仪、气体传感器、高清摄像头，灵活穿越废墟缝隙、陡坡、泥泞路段，•针对高层建筑、地下隧道、石油化工园区等复杂火场，四足机器人可替代消防员进入火场内部，探测火源位置、蔓延趋势，检测火场温度、烟雾浓度，传递绳索、急救包等救援器材，协助清理火场障碍物，•三是海上与水下辅助救援。•搭载防水密封组件与浮力调节装置的四足机器人，可在近岸浅水区、滩涂地带作业，搜寻落水人员、打捞救援物资，替代人工完成近岸危险水域的排查任务。《具身智能》图3-3特种救援场景中的四足机器人•图3-3所示，作为救援领域的“无人先锋”，四足机器人可深入人类无法抵达的高危区域，•规避救援人员伤亡风险，提升救援效率与覆盖面。《具身智能》图3-4四足机器人的工业巡检场示意•图3-4所示为四足机器人的工业巡检场示意。《具身智能》图3-5四足机器人的机械结构•1.机械结构•图3-5所示的机械结构是四足机器人的物理骨架，决定了负载、灵活性与环境适应能力，•主要分为躯干、腿部、足部、材料与传动四部分。《具身智能》图3-6采用仿生脊柱的四足机器人•图3-6所示的柔性躯干则采用仿生脊柱，以提升高速步态与越障，设计复杂。《具身智能》图3-7腿部结构的自由度示意《具身智能》图3-8四足机器人腿部关节拓扑构型•四足机器人的足部结构包括踝关节和足端结构两部分。•其中踝关节常为被动弹性，无电机直接驱动，用弹簧、弹性元件、柔性连杆提供回弹，在落地时储能，离地时释能；《具身智能》图3-9半圆型带弹性足垫•图3-9所示的半圆型设计允许足端以各个方向接触地面，具备更强的地形适应能力，是目前四足机器人应用最多的足端结构。《具身智能》3.1.2四足机器人的机械结构、感知模块和驱动控制单元•2.感知模块•感知是四足机器人的“五官”，通过多传感器融合实现本体状态感知、环境建模与定位等，核心组件如下。•集成三轴陀螺仪和三轴加速度计，高端加磁力计，用于四元数/欧拉角等姿态解算、角速度/线加速度测量，是平衡控制的核心。•常见型号有BMI088、ADIS16470等，可做双IMU冗余。•采用绝对式或增量式关节编码器来测关节的角度与速度，实现关节闭环；•腿部或在足底增加六维力/力矩传感器，检测接触力与地面反力，用于柔顺控制与地形自适应。•包括激光雷达、视觉模组和超声波、红外传感器。《具身智能》图3-10复杂地形中的四足机器人视觉模组配置•图3-10所示是复杂地形中的四足机器人视觉模组配置，1为前视相机组，主要负责地形的感知任务；。《具身智能》3.1.2四足机器人的机械结构、感知模块和驱动控制单元•3.驱动控制单元•驱动控制是机器人的“神经与大脑”，分为驱动执行层、实时控制层、决策规划层三层架构，配合通信总线与软件栈。《具身智能》表3-2小型消费级、中型工业级、大型重载级等三种四足机器人模块小型消费级四足机器人中型工业级四足机器人大型重载级四足机器人机械机构3D打印件+舵机，12个自由度碳纤维+无刷伺服+谐波减速器，12个自由度钛合金+液压系统，≥16个自由度感知模块IMU+单目相机，无激光雷达IMU+多线激光+深度相机，力传感器双IMU+固态激光+多目视觉，六维力反馈驱动控制树莓派+Arduino，开源步态边缘计算模组+实时控制器，ROS2+MPC多CPU冗余+实时系统，液压伺服闭环•机械结构的轻量化与刚度，直接决定驱动功率与控制带宽；《具身智能》3.1.2四足机器人的机械结构、感知模块和驱动控制单元•机械结构的轻量化与刚度，直接决定驱动功率与控制带宽；•感知模块的频率与精度，是平衡控制与地形自适应的前提；•驱动控制的响应速度，决定机器人能否实现高速动态步态等功能。《具身智能》3.1.3具身智能在四足机器人中的核心作用•具身智能的核心是让机器人“扎根物理世界”，通过自身的躯体（机械结构）、感官（感知模块）与环境实时交互，实现“感知-决策-执行”的闭环自主适应，而非单纯依赖预设程序或离线数据。•对于四足机器人而言，其复杂地形通过性、动态平衡能力、场景适配性的核心突破，均依赖具身智能的赋能——它解决了传统四足机器人“预设程序僵化、环境适配不足、抗干扰能力弱”的痛点，让机器人真正具备“自主应对复杂现实场景”的能力。•1.重构“感知-决策-执行”闭环，实现动态平衡与姿态自适应•四足机器人的核心运行前提是“稳定”，而传统机器人的平衡控制多依赖预设的动力学模型和固定参数，难以应对地面不平、外力干扰等突发情况。《具身智能》3.1.3具身智能在四足机器人中的核心作用（续）•机器人通过躯体接触地面的反作用力（足底传感器）、自身姿态变化（IMU），实时感知地面平整度、坡度、负载变化，再通过具身决策算法，快速调整关节驱动力矩、腿部步态（如步长、步频、关节角度等），无需预设场景参数，•例如，机器人行走时踩到凸起石块，足底传感器感知到受力异常，具身智能可在毫秒级内调整该条腿部的关节角度，抬高腿部规避障碍，同时调整其他三条腿的受力分布，避免倾倒，这是传统预设程序无法实现的动态自适应能力。•2.赋能环境自主认知，突破复杂地形适配瓶颈•四足机器人可穿越轮式、履带式机器人无法抵达的复杂地形，但这一优势的发挥，离不开具身智能对环境的自主认知与决策能力——具身智能让机器人从“被动应对环境”转变为“主动认知环境、利用环境”。•传统四足机器人需提前录入场景地图或预设地形参数，一旦遇到废墟缝隙、泥泞路段、陡坡等未预设的地形，极易出现卡顿、陷困。•而具身智能通过视觉、激光雷达、本体感知等多传感器融合，让机器人自主识别地形类型、地形特征，再结合自身机械结构的能力，如腿部自由度、负载上限，自主规划步态与行进路径。《具身智能》3.1.3具身智能在四足机器人中的核心作用•例如，面对陡坡时，具身智能四足机器人可自主判断陡坡角度，调整为“低重心、短步频”的步态，同时利用足底弹性结构增大摩擦力；•面对泥泞路段时，可自主延长腿部支撑时间，避免足端陷进泥泞，甚至通过躯体姿态调整，利用躯干重量辅助腿部发力，实现自主脱困，真正发挥四足仿生结构的地形适配优势。•3.实现任务自主决策，降低人工干预依赖•具身智能让四足机器人从“人工遥控、预设程序执行”升级为“自主理解任务、自主规划执行”，尤其适用于救援、巡检等“人类无法实时干预”的高危场景。《具身智能》3.1.3具身智能在四足机器人中的核心作用（续）•例如，在地震救援场景中，人工无法实时掌控废墟内部的复杂环境，具身智能可让机器人自主理解“排查被困人员”的核心任务，结合自身感知到的环境数据，如有毒气体浓度、废墟结构稳定性，以及自身电量、传感器完好度状态，•当检测到被困人员信号时，自主调整姿态，靠近目标并回传画面，同时判断自身是否能携带救援器材抵达，若无法抵达则自主标记位置并前往下一个区域，无需人工逐一操控。•这种自主决策能力，大幅拓展了四足机器人的作业范围，降低了人工干预的成本与风险。•4.强化抗干扰与容错能力，提升作业可靠性•四足机器人的作业场景多为复杂、恶劣环境，如火场、矿山、边境，极易出现传感器故障、机械损耗、外力干扰等突发问题，传统机器人遇到此类情况往往会停机或失控，而具身智能通过“躯体感知-动态补偿”的机制，•一方面，具身智能可实时监测机器人自身的机械状态（关节磨损、电机温度）、感知模块状态（传感器噪声、故障），当某一传感器出现轻微故障时，可通过其他传感器的数据融合的方式补偿，避免数据缺失导致的失控；《具身智能》3.1.3具身智能在四足机器人中的核心作用•例如，足底力传感器故障时，可通过IMU的姿态数据、视觉的地面接触判断，临时调整控制算法，维持机器人稳定。•另一方面，面对突发被碰撞、风吹动等外力干扰时，具身智能可通过躯体的动态响应，快速抵消干扰，恢复平衡——例如，机器人被侧面碰撞时，可自主调整同侧腿部的受力，倾斜躯干缓冲冲击力，同时调整对侧腿部的关节角度，避免倾倒，•5.推动仿生协同优化，挖掘机械结构的潜在能力•四足机器人仿生腿部、弹性足端、躯干的机械结构本身具备较强的仿生优势，但传统控制方式难以充分发挥其结构潜力，而具身智能通过“感知-决策-执行”的闭环，实现了机械结构与智能算法的协同优化，让机械结构的优势最大化。•例如，四足机器人的弹性足端设计本身具备吸收冲击的能力，具身智能可通过感知地面冲击力度，通过驱动控制单元自主调整足端的刚度，让足端在硬地或软地等不同地形下都能实现最佳的冲击吸收效果；•又如，仿生脊柱躯干的柔性结构，具身智能可通过感知步态变化，自主调整脊柱的弯曲角度，辅助腿部发力，提升机器人的奔跑、跳跃能力，让机械结构的仿生优势与智能算法深度融合，突破传统控制方式的性能上限。3.2四足机器人核心具身技术02/03013.1四足机器人认知与系统架构023.2四足机器人核心具身技术033.3四足机器人的实践开发与调试04总结思考《具身智能》《具身智能》3.2.1基于传感器的环境感知与地图识别•1.基于传感器的环境感知•系统通过这些坐标把相机看到的点、雷达扫到的面、腿部运动的数据全部整合起来，就能在泥地、矿洞、楼梯等复杂地形中，像人一样清楚地知道自己走到了哪里。《具身智能》图3-11多感官协同定位•图3-11展示了“多感官协同定位”的结构，具体包括：。《具身智能》图3-12二维栅格地图建模流程•2.地图识别•图3-12所示是一种基于IMU-LiDAR融合的轻量级实时SLAM算法，•能够在计算资源有限的环境下高效地构建PCD点云地图，建立二维栅格地图。《具身智能》3.2.2步态规划与运动控制•1.基本概念与核心参数•步态是四足机器人四条腿按固定时序与轨迹协调运动的周期性模式，决定支撑与摆动顺序、步长、步态频率、足端轨迹。•摆动相是腿部抬起处于腾空的状态，支撑相是腿部着地的状态，周期是腿部完成抬腿迈步以及着地后蹬动作的时间，步态频率是单位时间内完成的步态周期数，步长是一个周期内足端从抬腿到着地过程中走过的距离，•图3-13所示是步态示意。•在图3-13(a)所示，起始时对角腿1和4抬起并向前摆动，另外一组对角腿2和3支撑整个机身并确保机器人重心在其支撑对角线上。《具身智能》3.2.2步态规划与运动控制（续）•此时对角腿1和4为摆动相，对角腿2和3为支撑相。•如图3-13(b)所示，支撑腿2和3驱动机器人机身向前移动，而对角腿1和4仍处于飞行相中。•如图3-13(c)所示，当机体平移了半个步长即S/2距离时，摆动腿1和4着地，处于支撑状态，而原来处于支撑状态的对角腿2和3抬起处于摆动状态。•此时对角腿2和3为摆动相，对角腿1和4为支撑相。•如图3-13(d)所示，处于支撑相的对角腿1和4驱动机器人机身向前移动，对角腿2和3处于飞行状态。《具身智能》3.2.2步态规划与运动控制•如图3-13(e)所示，当机身平移了剩下的S/2距离时，对角腿2和3着地，而对角腿1和4开始抬腿并摆动，从而完成了一个完整周期的动作。•机身移动的长度为S，即步幅和步长都为S。•占空比（DutyFactor,β）是单腿处于支撑相的时间占整个周期的比值，较高的占空比意味着每条腿与地面接触的时间较长，从而提高机器人的稳定性，适合于在复杂地形中保持平衡；•而较低的占空比则意味着每条腿离地的时间更短，有助于提高机器人的移动速度，适用于较为平坦的地形。•静态步态时β>0.5（即任意时刻≥3腿支撑），动态步态时β≤0.5（即任意时刻≤2腿支撑，含腾空）。•支撑多边形是支撑足端在地面投影围成的凸多边形。•零力矩点（ZMP）是地面反作用力合力作用点，静态步态要求ZMP始终在支撑多边形内。类型核心特征典型步态稳定性速度适用场景静态步态几何稳定，ZMP在…爬行（Crawl）、…极高低（<0.5m/s）崎岖/未知地形、重载动态步态动力学平衡，利用惯性…对角小跑（Trot）…中/低高（>1m/s）平坦地形、高速移动准静态步态过渡态，支撑腿数在…快步走（Amble）中中速度/地形切换《具身智能》表3-3步态分类类型核心特征典型步态稳定性速度适用场景静态步态几何稳定，ZMP在支撑多边形内爬行（Crawl）、慢走（Walk）极高低（<0.5m/s）崎岖/未知地形、重载动态步态动力学平衡，利用惯性与动量对角小跑（Trot）、溜步（Pace）、…中/低高（>1m/s）平坦地形、高速移动准静态步态过渡态，支撑腿数在2–3间切换快步走（Amble）中中速度/地形切换《具身智能》图3-14不同步态一个周期内运动•图3-14所示，四足机器人进行Crawl、Pace、Trot、Walk等四种不同步态时在一个周期内运动情况，粗实线表示该腿着地处于支撑相，•粗虚线表示该腿抬起处于摆动相，长箭头表示四足机器人的运动方向。《具身智能》3.2.2步态规划与运动控制•2.静态步态规划•FR：FrontRight，右前腿；•FL：FrontLeft，左前腿；•RR：RearRight，右后腿；•RL：RearLeft，左后腿《具身智能》图3-15慢走（Walk）步态图•Walk步态是四足机器人运动过程中最为基础的移动方式。•其特征在于运动过程中始终保持三条腿与地面接触，仅一条腿处于摆动状态。《具身智能》图3-16一个周期内Walk步态运动•图3-16所示，为四足机器人Walk步态在一个周期内运动情况。《具身智能》图3-17Walk步态相位关系图•图3-17所示，为Walk步态相位关系图。《具身智能》图3-18Walk步态行走简图•根据各点坐标易求得三条边方程，再将三条直线的方程化简成直线一般形式，COG到各边距离为：•在四足机器人运动过程中，当ZMP位于支撑三角形中，，的值越大，四足机器人的稳定性越高，保证四足机器人运动过程中的稳定性，需要保证。《具身智能》3.2.2步态规划与运动控制•3.动态步态生成•动态步态的动力学平衡是不依赖持续多腿支撑，而是通过动量和角动量控制、ZMP动态跟踪、模型预测实现稳定，在动态步态控制中允许短暂腾空，其速度与效率更高。《具身智能》图3-19Trot步态时序图《具身智能》图3-20一个周期内Trot步态运动•图3-20所示，为四足机器人Trot步态下一个周期内运动情况。《具身智能》图3-21Trot步态相位关系图•图3-21所示，为Trot步态相位关系图。《具身智能》图3-22神经-肌肉控制原理《具身智能》图3-23动物运动控制网络•图3-23中，高层神经中枢由一系列运动中枢组成，包括大脑皮层、基底神经节、脑干和小脑，主要功能是发出运动指令，控制节律运动的起始，选择运动模式，•综合CPG（CentralPatternGenerator，《具身智能》图3-24四足机器人实现Trot控制•图3-24所示是四足机器人实现Trot控制。《具身智能》图3-25在hopf模型中加入足内协调关系生成trot步态波形图•图3-25所示是在hopf模型中加入足内协调关系生成trot步态波形图。《具身智能》3.2.2步态规划与运动控制•4.静态与动态步态对比《具身智能》表3-4四足机器人的静态与动态步态对比维度静态步态（Walk/Crawl）动态步态（Trot/Gallop）支撑腿数≥3≤2（含腾空）稳定性极高（几何保证）中/低（动力学依赖）最大速度<0.5m/s>2m/s（Gallop可达5m/s）能量效率低高（Trot最优）地形适应强（崎岖/障碍）中（偏好平坦）实现难度低高（需动力学与实时优化）•包括支撑腿数、稳定性、最大速度、能量效率、地形适应、实现难度。《具身智能》3.2.2步态规划与运动控制•包括支撑腿数、稳定性、最大速度、能量效率、地形适应、实现难度。《具身智能》图3-26四足机器人姿态稳定控制策略框图•图3-26所示为四足机器人的姿态稳定控制策略框图，选取足端坐标系{b}为动坐标系，将腿部三个真实关节执行器视为一个整体。《具身智能》3.2.3多传感器融合与姿态稳定控制•1.核心传感器与信息源•四足机器人通过安装IMU（惯性测量单元）是判断机体姿态是否稳定的核心数据，关节编码器可以精确测量各关节的角度、角速度，安装在足端的力觉传感器可以检测足地接触力等，用于判断足端是否着地、支撑状态以及外部扰动。•2.融合策略与目标•状态估计是通过卡尔曼滤波（EKF/UKF）或互补滤波等算法，融合IMU的高频姿态数据与关节编码器的运动学数据、，得到高精度的机体位置、速度、姿态角等在内的系统状态信息。•扰动观测是融合足端力传感器数据与动力学模型，实时估计外部扰动和地面接触状态，为控制决策提供依据。《具身智能》3.2.3多传感器融合与姿态稳定控制•3.姿态稳定控制过程•四足机器人的姿态稳定控制可以采用分层递阶的控制架构，从高层决策到底层执行，确保在复杂环境中保持稳定运动。•MPC作为核心决策层，基于机器人的动力学模型，预测系统状态信息。•根据系统输入信息，即足地接触力和运动学数据、，以及期望的机身速度和角速度，计算出最优的足端位置、速度，实现最小化跟踪误差并满足约束条件，如足端不打滑、关节力矩限制等。•采用虚拟模型，即构建“虚拟弹簧-阻尼系统”，将复杂的四足机器人机体姿态稳定问题转化为对虚拟力和力矩的跟踪，简化了控制设计，即对于支撑腿，采用力控制，精确跟踪期望的地面反作用力；•对于摆动腿，采用位置控制，精确跟踪规划的足端轨迹。•作为执行层，接收中层控制器输出的关节力矩、位置指令，通过PD控制器精确控制每个关节的电机，包括经过位置环，输出期望关节位置，即；3.3四足机器人的实践开发与调试03/03013.1四足机器人认知与系统架构023.2四足机器人核心具身技术033.3四足机器人的实践开发与调试04总结思考《具身智能》《具身智能》图3-27某四足机器人的典型系统架构•图3-27所示为某四足机器人的典型系统架构，采用了软硬件分层、上下位机协同的经典机器人设计范式。《具身智能》3.3.1四足机器人的典型系统架构•1.机械部分•采用四足机器人本体，每条腿配置3个关节，总计12个自由度，作为运动学建模的基础。《具身智能》图3-28关节控制电气连接•2.驱动与控制•图3-28所示，各模块之间通过蓝色箭头表示的电流路径相互连接，确保机器人电气连接稳定。《具身智能》3.3.1四足机器人的典型系统架构•3.算法软件•运行在UPboard的Linux操作系统上，是整个机器人的“大脑软件”，包含核心算法模块。•一是状态估计，融合IMU数据和腿部接触检测信息，通过卡尔曼滤波（COMStateKF）实时计算机器人的质心（CoM）位置和速度；•二是轨迹规划，根据遥控器的指令，如速度、转向等，结合步态调度器生成期望的质心轨迹；•三是腿部控制，如在支撑相控制腿部落地的力，保证行走平稳，也要摆动相规划腿的空中轨迹，避免碰撞；•四是人机交互(OperatorGUI)，提供可视化界面，方便调试和监控。•4.外部交互接口《具身智能》3.3.2核心算法实现与参数优化•1.四足机器人核心算法体系•四足机器人的运动控制算法是一个分层级的闭环系统，核心分为步态规划层、运动学解算层、姿态控制层等核心模块，各模块协同实现稳定行走，具体如表3-5所示。算法层级核心功能核心原理步态生成层规划每条腿的运动轨迹基于周期函数（正弦/余弦）生成足端轨迹，区分支撑相/摆动相，实现对角/…逆运动学层足端位置→关节角度转换空间几何解算，将笛卡尔空间目标转换为关节空间角度，满足3/4自由度腿的…姿态控制层保持机身平衡，补偿外部扰动基于PD/PI/PID控制律，结合IMU姿态反馈，实时调整足端高度/关…《具身智能》表3-5四足机器人的核心算法架构算法层级核心功能核心原理步态生成层规划每条腿的运动轨迹基于周期函数（正弦/余弦）生成足端轨迹，区分支撑相/摆动相，实现对角/三角/漫步等…逆运动学层足端位置→关节角度转换空间几何解算，将笛卡尔空间目标转换为关节空间角度，满足3/4自由度腿的运动约束姿态控制层保持机身平衡，补偿外部扰动基于PD/PI/PID控制律，结合IMU姿态反馈，实时调整足端高度/关节角度•以对角小跑Trot步态为例进行说明如下。《具身智能》3.3.2核心算法实现与参数优化•对角小跑步态是四足机器人最常用的基础步态，核心实现逻辑如下：•一是腿部分组，将4条腿分为两组对角腿（右前+左后、左前+右后），两组相位差π（180°）。•二是相位划分，以步态周期T为基准，通过相位角θ=2πt/T区分支撑相（θ∈[π,2π]）和摆动相（θ∈[0,π]）。•三是轨迹规划，支撑相足端随机身整体移动，提供支撑力，不抬升；•摆动相足端沿规划曲线（如正弦）抬升，其步高h，并沿规划曲线（如抛物线）前移，其步长L，完成迈步。•四是参数约束，步态周期T（0.3~1.0s）、步高h（0.03~0.1m）、步长L（0.05~0.2m），需匹配机器人本体尺寸。•以“髋滚-髋偏-膝”3自由度腿为例，解算逻辑如下：《具身智能》3.3.2核心算法实现与参数优化•第三步利用余弦定理解算膝角，再通过三角关系解算髋偏角。•三是约束处理，解算过程中需限制角度范围，如膝角-90°~-150°，避免关节超限。•姿态控制的核心是通过反馈补偿保持机身水平，逻辑如下：•一是误差采集，通过IMU获取机身实际横滚角/俯仰角，与目标角度（0°）计算误差Δφ（横滚）、Δθ（俯仰）。•二是误差微分，计算角度变化率，反映姿态变化趋势。•三是控制输出，基于PD控制律，输出各腿高度补偿值。•四是补偿分配，将控制输出分配到4条腿，如前腿补偿俯仰误差、侧腿补偿横滚误差等，调整足端目标位置。《具身智能》表3-6优化参数分类，包括步态参数、控制参数和物理参数。参数类型核心参数取值范围（参考）影响效果步态参数周期T、步高h、步长LT:0.3~1.0s;h:0.03~0.1m稳定性（T越大越稳）、速度（L越大越快）控制参数各关节Kp、Kd根据实际情况取值抗扰动能力（Kp越大响应越快）、震荡（Kd越大越稳）物理参数足端落地缓冲系数0.1~0.8冲击力（系数越大缓冲越好）•参数优化的核心目标是在“稳定性、效率、速度”三者间找到最优平衡，主要包括手动调参、基于仿真的自动调参、在线自适应优化、优化效果评估指标。《具身智能》3.3.2核心算法实现与参数优化•先定步态参数，再调控制参数，单变量调整，每次只改一个参数。•然后测试行走，观察机身是否晃动、足端是否打滑。•在迭代调整换届，若机身前后晃，减小该关节的Kp值或增大T；•若机身左右晃，减小该关节的Kp值或调整步高；•若足端打滑，增大L或减小行走速度。•需要注意的是收敛标准，机身倾角方差<±3°，无明显打滑，行走速度达标。•在PyBullet、Gazebo等仿真环境中，通过优化算法迭代调整参数，以“稳定性指标”为优化目标。《具身智能》3.3.2核心算法实现与参数优化•粒子群优化收敛速度快，适合参数范围明确的场景。•在迭代优化中，设置迭代次数（如100代），每代测试参数性能，保留最优解。•最后进行实物验证，将仿真最优参数移植到实物机器人，微调适配。•实时采集机器人运行数据，动态调整参数以适应环境变化，如地面粗糙度、负载变化。•在数据采集环节，实时获取IMU姿态、关节力矩、足端压力、地面反力。•在状态评估中，计算实时稳定性指标，如机身倾角变化率、足端冲击力。•需要注意的是参数调整规则是，若地面粗糙，即足端冲击力>阈值，自动增大步高h；《具身智能》3.3.2核心算法实现与参数优化•优化后需通过量化指标验证效果，核心指标包括：一是稳定性，即机身横滚、俯仰角方差，越小越稳）；•足端离地次数，越少越稳；•二是效率，即单位距离能耗（Wh/m）、电机平均负载率；•三是速度误差，即实际行走速度与目标速度的误差（<10%为宜）；•四是鲁棒性，即通过斜坡/台阶/凹凸地面的通过率，越高越好。•参数优化的核心目标是在“稳定性、效率、速度”三者间找到最优平衡，主要包括手动调参、基于仿真的自动调参、在线自适应优化、优化效果评估指标。•先定步态参数，再调控制参数，单变量调整，每次只改一个参数。《具身智能》3.3.2核心算法实现与参数优化•若足端打滑，增大L或减小行走速度。•需要注意的是收敛标准，机身倾角方差<±3°，无明显打滑，行走速度达标。•在PyBullet、Gazebo等仿真环境中，通过优化算法迭代调整参数，以“稳定性指标”为优化目标。•搭建仿真模型，还原机器人本体尺寸、电机性能、地面特性。•定义优化目标：目标函数J=α×(倾角方差)+β×(能耗)+γ×(速度误差)（α/β/γ为权重）。•选择优化算法，其中遗传算法适合多参数、非线性优化，全局搜索能力强；•粒子群优化收敛速度快，适合参数范围明确的场景。《具身智能》3.3.2核心算法实现与参数优化•在数据采集环节，实时获取IMU姿态、关节力矩、足端压力、地面反力。•在状态评估中，计算实时稳定性指标，如机身倾角变化率、足端冲击力。•需要注意的是参数调整规则是，若地面粗糙，即足端冲击力>阈值，自动增大步高h；•若负载增加，即关节力矩>阈值，自动增大Kp、减小步长L；•若环境平坦，逐步增大速度、增大L、减小T。•在约束保护中，通常设置参数上下限，避免超出硬件能力，如电机扭矩限制。•优化后需通过量化指标验证效果，核心指标包括：一是稳定性，即机身横滚、俯仰角方差，越小越稳）；《具身智能》3.3.2核心算法实现与参数优化•四是鲁棒性，即通过斜坡/台阶/凹凸地面的通过率，越高越好。《具身智能》图3-29虚实迁移调试与典型场景验证•图3-29所示为虚实迁移调试与典型场景验证示意，它包含仿生步态特征提取、强化学习仿真训练与部署调试3个阶段。《具身智能》3.3.3虚实迁移调试与典型场景验证•1.仿生步态特征提取阶段•该阶段的核心是从真实动物的运动视频中提取并编码可用于四足机器人模仿的仿生步态特征，为后续强化学习提供参考基准。•使用专门用于动物姿态估计和行为分析工具DeepLabCut，通过深度学习技术实现对动物运动视频进行逐帧分析，精准定位并提取动物骨骼关键点的三维坐标（x,y,z），这些坐标序列构成了原始的运动轨迹数据。•对提取的关键点坐标进行归一化，消除不同体型、尺度动物个体间的差异，确保数据的通用性。•特征提前包括关节角度运算、关节速度计算和动态时间规整，编码主要是指特征升维。•关节角度运算，即根据骨骼关键点的三维坐标，计算出各关节的角