一、那个会翻跟头的机器人

你一定在短视频里刷到过这个画面：一个人形机器人，助跑，起跳，在空中翻了个跟头，稳稳落地。

没错，就是波士顿动力的Atlas。

2026年8月，Atlas展示了最新的运动能力。不只是后空翻，还有跑酷、跳跃、平衡木行走。动作流畅程度，已经非常接近人类运动员了。

但你可能不知道，这个"翻跟头"的动作，背后藏着十几年的技术积累。

我在机器人行业做了五年研发，今天就掰开揉碎给你讲讲：机器人运动控制，到底是怎么回事。

图片说明：人形机器人跑酷跳跃场景

二、机器人是怎么"学会"走路的

先从最基本的走路说起。

人类走路，看起来很简单。左脚右脚交替往前迈嘛。但实际上，这是一个极其复杂的动态平衡过程。

你的大脑在做什么？它在实时计算几十个参数。重心位置、支撑面积、关节角度、地面摩擦力、惯性力矩。每走一步，这些参数都在变化。大脑以毫秒级的速度在做修正。

机器人要模仿这个过程，需要解决三个层面的问题。

• 第一层：运动学。就是知道每个关节要转到什么角度，脚才能到指定位置。这层相对简单，高中数学就能算。

• 第二层：动力学。就是知道要施加多大的力，才能让关节转到那个角度。这就复杂了。机器人有重量，有惯性，关节之间有耦合效应。你动一下膝盖，髋关节的受力就变了。

• 第三层：平衡控制。这是最难的。机器人在运动过程中，重心一直在变化。如何保证不摔倒？需要实时感知姿态，预测运动趋势，做出调整。

传统的控制方法，叫ZMP（零力矩点）控制。简单说就是保证重心投影点在支撑脚范围内。这个方法很稳定，但走路姿势很难看，像个企鹅。

后来有了全身控制（WBC）方法。它同时考虑所有关节的运动，优化整体表现。走起路来自然多了。

再后来，强化学习登场了。

图片说明：机器人运动控制三层架构示意图

三、强化学习：让机器人自己摔着学

传统控制方法的瓶颈在于：人工设计的控制策略，再精妙也有极限。人类自己走路都不需要计算公式，为什么机器人非要？

强化学习的思路完全不同。不给机器人写控制公式，而是让它自己在模拟环境里"摔"。摔了，扣分。走稳了，加分。几百万次摔下来，它自己学会了走路。

这跟人类婴儿学走路的过程很像。婴儿也是扶着东西站，迈步，摔倒，再站起来。摔了几百次后，神经系统自己学会了平衡。

但模拟环境和现实环境有差异。模拟器里学的走路技能，放到真实机器人上可能不好使。这个问题叫"Sim-to-Real Gap"（仿真到现实的鸿沟）。

怎么解决？有几种思路。

第一种，域随机化。在模拟器里随机改变各种参数：地面摩擦力、关节阻尼、机器人重量。让机器人在各种条件下都能走。到了现实世界，就是其中一种条件而已。

第二种，系统辨识。先在真实机器人上采集数据，用这些数据校准模拟器。让模拟器更接近真实。

第三种，在线适应。机器人在现实世界中继续学习。它一边走一边调整策略，逐渐适应真实环境。

这三种方法，可以组合使用。目前效果最好的机器人，都是这么做的。

图片说明：强化学习训练机器人运动流程图

四、后空翻到底难在哪

走路难，后空翻更难。难在哪里？

第一，极端的动态过程。后空翻是一个高度不稳定的运动。整个人体（机器人）在空中旋转，只有起跳瞬间有支撑。一旦起跳角度或力度有偏差，落地就歪了。

第二，精确的时序控制。起跳、团身、展开、落地，每个动作的时机都要精确到毫秒。早一毫秒，翻转不够，头朝下。晚一毫秒，翻转过度，背朝下。

第三，落地冲击。机器人重量几十公斤，从空中落地，冲击力是体重的几倍。关节要能承受这个冲击，还要在落地瞬间做平衡调整。

人类运动员练后空翻，也要摔无数次。机器人也一样。在模拟器里摔了几百万次，才学会了这个动作。

但波士顿动力用的不是纯强化学习。他们用的是"混合控制"：传统控制负责稳定性和安全，强化学习负责灵活性和适应性。

五、国产机器人的差距和机会

说句实话，在运动控制方面，国产人形机器人跟波士顿动力还有差距。

波士顿动力搞了二十年。从BigDog到Atlas，积累了大量的控制算法、硬件设计、仿真工具的经验。这个积累不是花钱就能买来的。

但差距在缩小。而且国产机器人有自己的优势。

第一，硬件供应链优势。中国的电机、减速器、传感器产业链非常成熟。同样性能的关节模组，中国制造的成本可能只有国外的三分之一。

第二，AI算法能力。中国在强化学习和具身智能领域的研究并不落后。很多顶级论文是中国学者发的。宇树科技的G1机器人，用强化学习做运动控制，效果已经很不错。

第三，应用场景丰富。中国有大量的制造业、服务业场景。机器人不一定要会后空翻，能稳定走路、搬东西、做简单操作就够了。这些场景的需求量是巨大的。

图片说明：国产vs国外人形机器人对比图

六、运动控制的未来

未来几年，人形机器人运动控制会往哪些方向发展？

• 方向一：更高的运动性能。跑步、跳跃、上下楼梯、越过障碍。这些人类能做的动作，机器人都要逐步实现。目标不是"像人一样做运动"，而是"像人一样在人类环境中行动"。

• 方向二：更低的成本。现在的运动控制方案需要大量计算，芯片成本高。随着端侧AI芯片算力提升和成本下降，人形机器人的"大脑"会越来越便宜。

• 方向三：更智能的适应能力。未来的机器人不需要在每种地面上都预先训练。它到了新环境，自己走两步就能适应。这就是"通用运动智能"。

• 方向四：人机交互安全。机器人在人旁边工作，安全是第一位的。运动控制不仅要保证机器人不摔，还要保证即使摔了也不会伤到人。这需要力感知、碰撞检测、柔性控制等多种技术。

七、写在最后

每次看到机器人完成后空翻的视频，评论区总会有人问：这有什么用？能帮我扫地吗？

这话有点讽刺，但也反映了一个现实：人形机器人运动控制的技术很炫酷，但离真正的商业化应用还有距离。

不过，技术的进步从来不是线性的。从走不稳到能跑酷，用了十年。从跑酷到能在工厂里干活，可能只需要五年。

因为最难的那一步——学会走路——已经迈过去了。

接下来，是学会做事情。那将是一个更精彩的故事。

（全文完）