最近人形机器人、四足机器人岗位爆发，宇树、智元、优必选、小米人形、大疆机器人等大量放出具身智能运动控制算法工程师岗位。

本篇文章结合真实面经，整理了一面二面高频真题，并以一道超高频面试题为例，详细讲解，提供答题思路。供参加校招、社招的小伙伴们复习熟悉。

基础问答

1. MPC和LQR区别？MPC为什么可以处理约束？

2. 四元数对比欧拉角优缺点？

3. 浮动基机器人和固定基座机械臂动力学有什么不同？

4. RL训练机器人走路，为什么仿真效果好，真机一跑就失败？怎么解决 Sim‑to‑Real gap？

5. 奖励函数怎么设计？怎么避免reward hacking？

6. 分层控制架构：高层RL+底层 PD/MPC有什么好处？

7. 什么是阻抗控制？什么时候需要力控？

8. PPO为什么用Clip，不直接用TRPO？

项目深挖

1. 你的控制架构是怎样的？谁输出力矩？谁输出轨迹？

2. 状态空间、动作空间分别是什么？

3. 奖励函数每一项的权重怎么调优？

4. 遇到哪些不稳定现象（摔倒、震荡），怎么排查？

5. 仿真环境参数怎么设置？域随机化做了哪些？

6. 有没有部署到真机？Sim‑to‑Real遇到什么鸿沟，怎么解决？

7. 基线对比：你的算法对比MPC、纯PPO效果提升在哪？

开放前沿问题

1. 大模型怎么和运动控制结合？LLM给高层任务，运动控制执行，架构怎么设计？

2. 具身智能运动控制目前最大难点是什么？

3. 基于Transformer的运动策略（例如DiffusionPolicy）你怎么看？优缺点？

4. 怎么保证机器人运动的安全性？RL如何加入安全约束？

经典控制高频真题详解

问题：MPC和LQR的区别是什么？为什么人形/四足机器人更常选用MPC？

这道题基本属于必考题了，大厂面试中反复出现；表面考控制理论，深层考察你有没有做过足式机器人项目、懂不懂工程落地痛点。

首先，我们得分析，这个问题，面试官最想听到什么？

如果，你只是回答：LQR离线求K，MPC滚动优化，MPC可以处理约束。那么面试官会认为你只会背诵八股，顶多给个及格分。

但，如果你能讲出以下四点，面试官对你的看法，马上就不同了：

1. 共同点：二者都是基于模型的最优反馈控制，依赖系统动力学模型，二次型代价函数。

2. 本质区别：LQR是一次性离线求解全局恒定增益K，原生无显式约束能力；一旦饱和最优性失效，优点计算快。而MPC，每一步在线求解有限时域带约束优化，滚动优化+反馈校正，天然支持硬约束。

3. 足式机器人痛点：行走时有大量硬约束；接触状态频繁切换。

4. 工程方案：高层用MPC优化CoM轨迹，底层用WBC/PD控制器解关节力矩。

回答到这个地步，面试官能判断，你不仅理论扎实，了解足式机器人控制架构，而且上手过项目。

如果，你在上述回答的基础上，再加上对前沿混合方案的理解，例如：现在也有高层 RL 输出落脚点，MPC负责重心轨迹优化，二者取长补短。就更好了

类似辩证的观点，将是非常加分的。

那么，我们就可以总结出这个问题的回答方法：

首先，说明两者相同点，然后，进行核心原理对比，分析优缺点。

这两点体现了你的理论知识功底。

随后阐明足式机器人约束痛点，给出业界工程方案。

这两点展现了你在工程落地方面的认知。

最后，展现自己的思考深度和对前沿混合方案的理解，就能与大部分求职者拉开差距，很难不获得面试官的青睐。