1. WBC - 全身力矩控制

• 核心思想：如前所述，它是一种分层优化的方法。它将任务（如保持平衡、移动手脚、注视目标）按优先级排序，并在满足高优先级任务的前提下，尽可能完成低优先级任务，最终解算出每个关节所需的力矩。

• 特点：

  • 输出是关节力矩。

  • 基于完整的机器人动力学模型（包含惯性、科里奥利力、重力）。

  • 显式地处理多个任务和约束（如接触力不能打滑）。

  • 通常是瞬时优化，只求当前时刻的最优解。

• 类比：公司的CEO。CEO不直接管具体细节，但负责制定公司战略目标（任务优先级），并协调各个部门（关节）的资源（力矩），以确保首要目标（如生存/盈利）必须达成，次要目标（如员工满意度）尽力达成。

2. VMC - 虚拟模型控制

• 核心思想：这是一种非常直观的控制方法。它让控制工程师通过想象在机器人身上附加“虚拟的”力学元件（如弹簧、阻尼、质点）来定义行为。然后通过计算，将这些虚拟元件产生的力映射到机器人的关节力矩上。

• 特点：

  • 输出是关节力矩。

  • 概念直观，设计简单，不需要复杂的优化理论。

  • 它也基于动力学模型，但更侧重于实现“虚拟组件”所描述的行为。

  • 可以看作是WBC的一种特例或一种简单的实现方式。

• 例子：想象在机器人的躯干上连接了一根虚拟的弹簧，把它拉向目标位置。计算机需要算出每个关节输出多大扭矩，才能产生等同于那根虚拟弹簧的效果。

• 类比：用乐高搭建。你可以用标准的乐高零件（虚拟弹簧、阻尼器）来构建你想要的整体结构（机器人行为）。

3. LQR - 线性二次调节器

• 核心思想：这是一种最优状态反馈控制方法。它用于将系统从当前状态稳定到一个平衡点（通常是零点）。它寻找一个最优的控制律，使得一个二次型的代价函数（通常权衡状态误差和控制能耗）最小。

• 特点：

  • 输出通常是力或力矩，但也可以是其他控制指令。

  • 要求系统是线性的，或者在其工作点附近被线性化。

  • 是全局最优的（对于线性系统和二次型代价函数而言）。

  • 不考虑未来的约束，只根据当前状态计算最优输入。

  • 计算出的控制律是一个简单的矩阵乘法，因此非常快。

• 应用：常用于平衡控制（如倒立摆、四足机器人的躯干姿态稳定），作为更复杂控制器的底层稳定器。

4. MPC - 模型预测控制

• 核心思想：这是一种滚动时域优化方法。它在每一个控制周期内，基于当前的系统状态，利用模型来预测未来一段时间的系统行为，并求解一个优化问题，以得到一序列最优的控制输入，但只执行第一个，然后在下一个周期重复这个过程。

• 特点：

  • 输出可以是位置、速度或力矩指令，非常灵活。

  • 显式地处理约束（如关节角度极限、电机扭矩极限），这是其巨大优势。

  • 是前馈+反馈的结合，通过预测来“预见”未来，做出更智能的决策。

  • 计算量很大，因为需要在线上求解优化问题。

• 类比：自动驾驶。司机在过弯时，不会只盯着眼前一米，而是会预测未来几秒的路径，并确保整个路径都在车道内（满足约束），然后只执行第一步的方向盘转动，接着持续重新规划。

• 应用：在机器人中，常用于脚踝位置规划、高速避障等需要“前瞻性”的任务。