四足机器人控制框架技术分析 - 小型四足机器人采用舵机驱动和运动学控制即可满足需求，而较大型四足需考虑动力学影响进行力矩层次控制以提升响应速度和稳定性[2] - 四足机器人属于欠驱动约束动力学系统，具有6自由度浮动机身和时变足-地接触约束两大特征，导致逆动力学求解成为欠驱动不适定问题[2][3] - 行业普遍采用点-质量模型（倒立摆模型）简化复杂动力学，线性倒立摆(LIP)模型因解耦特性成为运动规划主流方法[3] - 预测控制优化理论的发展推动行业采用长时间跨度的MPC算法，使运动轨迹能综合考虑未来多步稳定性[3] - 全身控制算法(WBC)通过优先级任务分解和雅可比矩阵零空间特性，实现关节扭矩精确控制[3][14] MIT Cheetah开源方案 - 2019年MIT开源方案提供基于MPC的线性化模型预测控制框架，将四足简化为单刚体多点支撑模型[8] - 采用QP优化求解实现嵌入式处理器实时运算，大幅简化步态状态机设计[8][9] - 2020年增加WBC模块后实现更快速度和更流畅奔跑控制，孵化多家创业公司[9] - 控制框架包含convexMPC、Gait生成、RobotState等模块，支持BalanceStand和Locomotion两种模式[11][12][13] - WBIC将控制任务分为支撑腿轨迹、机身转动、机身平动、摆动腿轨迹四个优先级子任务[14][16] 其他开源控制框架 - rl-mpc-locomotion项目结合MPC与强化学习(PPO)，采用分层控制器架构并支持NVIDIA Isaac Gym仿真[15][18][20] - Legged_control框架采用ETH的OCS2工具箱实现非线性MPC+WBC控制，使用卡尔曼滤波进行状态估计[22][24] - Quad-SDK是首个开源全局规划器的ROS框架，实现非线性MPC控制、多周期步态规划和地形融合[25][28][29] - A1-QP-MPC项目优化MIT方案开发便利性，通过Docker容器化实现跨平台部署[31][32] - motion_imitation提供Python版MPC控制器，代码可读性强并支持模仿学习[34][36] 核心技术演进 - 从MIT的线性MPC到Quad-SDK的非线性MPC，模型精度和控制效果显著提升[29] - 规划周期从单步态扩展到多周期，落足点规划能力增强复杂地形适应性[29] - 控制架构从单一MPC发展为MPC+WBC组合，实现更稳定动态运动[9][13] - 仿真工具链从Gazebo扩展到Isaac Gym，加速sim2real技术落地[20][28]