软体机器人技术发展 - 传统刚性机械臂在非结构化环境任务中存在安全性、环境适应性及人机交互柔顺性局限，而软体机器人技术以仿生学为基础，采用柔性材料构建，具备连续变形能力、碰撞安全性高、环境顺应性强等独特优势 [1] - 模块化软体机械臂通过将机械臂分解为标准化、可互换的功能单元，赋予系统可重构、可扩展、易维护的核心特性，但现有软体机械臂普遍存在运动状态的非线性、时滞性与迟滞性难题 [1] 创新控制架构与策略 - 意大利比萨圣安娜高等学校和瑞士洛桑联邦理工学院的研究团队提出基于双向长短期记忆网络（biLSTM）的智能控制架构，解决了模块化软体机械臂（MSRA）的多功能协同控制问题，显著提升其灵活性和态势感知能力 [2] - 该控制策略通过构建以biLSTM为核心的正向运动学模型（NN_C2S），学习从驱动输入和构型到最终状态的复杂映射关系，并将规划问题转化为构型空间优化过程 [15][16] 实验设计与性能验证 - 实验采用由三个独立模块组成的缆线驱动MSRA，每个模块约0.2米，通过三根以120°排列的缆线连接，壳体管-电缆结构有效解决了多模块机械臂的动力学耦合难题 [8][9][11] - 团队使用六个光学跟踪摄像头和运动捕捉软件实时捕捉MSRA运动状态，训练与验证神经网络，实验结果显示该方法在所有任务中的追踪误差均显著低于基于常曲率模型（PCC）的方法 [11][17] - 该方法在复杂任务中展现出精确位置约束与控制能力，并实现动态环境中的避障与目标追踪 [17][19] 行业应用前景 - 该技术为MSRA在微创手术、灾难搜救、狭窄空间探测及人机交互等高精度、高安全性要求场景的应用提供了强大支撑 [2][22] - 研究突破软体机械臂运动控制中长期存在的非线性、时滞性与迟滞性挑战，为其实际应用落地铺平道路 [22]

文章核心观点 国产人形机器人取得进展，NOETIX Robotics松延动力的N2机器人实现连续空翻且价格亲民，其背后是硬件、算法和工程化的创新，清华创业团队展现出强大的技术和产品化能力，推动行业发展 [1][7][33] 分组1：N2机器人亮点 - 全球首个在「室内外多场景」连续空翻一镜到底的机器人，动作稳定流畅，落地后能站稳 [1][2][3] - 身高1.2米，体重30公斤，小巧灵活，具备大步行走、奔跑、单双脚跳跃及舞蹈等多种运动能力，奔跑速度实测最快可达每秒3.5米 [3] - 全身有18个自由度，单腿各有5个自由度，单臂各有4个自由度，能完成高难度动作 [9] - 单脚跳跃稳健，抗干扰能力强，摔倒后能迅速恢复正常运行 [10][11][12] - 已将量产提上日程，3.99万起售，标配二次开发接口，有三种颜色可选 [13][14] - 机身集成多个外置硬件接口，方便开发者进行二次开发，可用于科研、安防巡检等领域 [15] 分组2：N2实现连续空翻的技术路径 - 硬件架构：采用自由度精简策略，主打轻量化和抗摔性能，减少非核心自由度，选用球轴承和高强铝合金 [19][21][23] - 算法融合：实现模型预测控制（MPC）与强化学习（RL）的协同，采用课程学习技术分阶段训练 [24] - 工程化实践：以抗摔设计驱动迭代效率，采用成本导向的可靠性设计，零部件高度国产化，结构易于生产装配 [25][26][28] 分组3：清华创业团队情况 - 准00后创业团队，核心成员来自清华、浙大、南加大等高校，创始人姜哲源本科清华电子系，研究方向为深度强化学习足式机器人运动控制 [30] - 成立一年多完成三大产品布局，包括运动员N2、通用型人形机器人E1、仿生机器人Hobbs，技术和应用场景各有侧重 [31] - 一年多收获5轮2亿融资，团队能力、技术水平和产品化能力获资本认可 [32] 分组4：行业发展情况 - 春节以来国产人形机器人持续有新动作，体现「硬件 - 算法 - 场景」三角闭环下的产业技术升级 [33] - 更多本土化年轻团队崭露头角，成为行业发展主力军 [34] - N2之后团队还将推出升级版新品E1系列 [36]

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]