0. 前言：破除行业认知误区

过去几年，足式机器人的舆论几乎被两条平行叙事撕裂。
一条叙事来自视频：ETH RSL 的 ANYmal 在碎石堆上小跑，Unitree Go2 / G1 在展厅里跳舞、后空翻，Cassie 在田径场上跑完 5 公里。这些演示绝大多数是 Isaac Gym / Isaac Sim 大规模并行 RL 训出来的策略，外加关节 PD。于是很容易得出一个片面观点：强化学习可以替代传统模型控制，实现足式机器人的全自主运动控制。
另一条叙事来自机房和现场：Mini Cheetah 的凸 MPC 依然是教材，宇树自己仍在维护 unitree_guide 这套 FSM + 虚拟模型 / WBC 教学栈，ETH 的 OCS2 还在给 ANYmal 做全身 MPC，1X 这种“AI 优先”的人形公司反而把全身非线性 MPC 开源了出来。工厂里换一个 8 kg 负载、现场要保证摩擦锥和关节电流不爆，没有人敢把“约束”交给 reward 去“尽量满足”。
两条叙事其实并不矛盾，只是把不同层级的问题混为一谈了。RL 擅长的是：在难以解析建模的接触、地形、风格空间里，搜索出一个能用的闭环策略。MPC / WBC 擅长的是：在已知动力学与不等式约束下，每毫秒都给出可证明满足边界的力矩。把前者叫做“替代”，相当于说编译器优化已经很好，所以可以拆掉操作系统的内存保护。
在工业落地、量产机器人、行业头部方案（宇树、波士顿动力、优必选、小米人形、Google DeepMind、MIT）中真正跑在实机上的系统，几乎都是分层混合控制：RL 负责技能与适应性，MPC 负责有限时域的力与质心前瞻，WBC 负责多任务、接触约束和力矩级全身协调，最底层是关节伺服与安全状态机。所有商用、可落地、高可靠的足式机器人，无一例外都采用「RL增强 + MPC/WBC兜底」的分层混合控制架构。
下面按工程顺序把这件事拆开：Isaac 训练到底强在哪、RL 在实机上会死在哪、MPC / WBC 不可替代的原因是什么，以及四足和人形现在真正在用的分层长什么样。

1. 基于IsaacSim训练的RL的核心长处

想要客观评判RL的价值，首先要正视其优势。RL之所以成为足式机器人运动控制的核心研究方向，甚至成为行业标配的增强模块，核心依托于IsaacSim高性能仿真训练体系的加持，在复杂自适应运动场景具备传统模型控制无法企及的能力。

1.1 大规模并行，把非平滑接触变成可采样问题

足式控制最难的不是刚体方程，是接触：互补约束、摩擦锥、滑移、点接触到面接触的切换，解析梯度极差。MPC 通常只能用单刚体（SRBD）或质心动量模型做凸/近凸近似；一碰到复杂地形，模型误差会迅速把 QP 推到不可行。
Isaac 路线的核心不是“网络更聪明”，而是把接触交给仿真，把搜索交给并行：

• 单卡数千到上万个环境（Isaac Gym 时代常见 4096；Isaac Lab 在 Isaac Sim 上可按显存伸缩）；
• PPO / RSL-RL 用同一套观测–动作接口吃掉所有 rollout；
• 几小时到一两天，就能在平地速度跟踪上收敛到可部署策略。

ETH 的 Learning to Walk in Minutes 把这件事变成了社区共识：以前在单进程 MuJoCo 里训几天的四足步态，GPU 并行后变成“喝杯咖啡”。Unitree 官方随后给出 unitree_rl_gym（Isaac Gym）和 unitree_rl_lab（Isaac Lab），覆盖 Go2、H1、G1-29DoF，说明这条训练管线已经从论文变成厂商标准零件。

1.2 超强的环境自适应与抗扰动泛化能力

IsaacSim支持批量并行仿真，单显卡可同时运行上百个机器人仿真实例，能够快速完成随机地形、随机摩擦、随机载荷、机身扰动的大规模数据训练。训练完成的RL策略，具备极强的环境自适应能力：

• 可自适应草地、碎石、斜坡、凹凸路面等非结构化地形
• 可应对机身负重、腿部磨损、外力推拉等动态扰动
• 可自主切换行走、小跑、跳跃、匍匐等多类步态

反观传统MPC/WBC，所有步态、运动参数都依赖人工整定或轨迹优化，面对超出建模范围的未知场景，极易出现步态僵硬、失衡摔倒问题。RL的泛化能力，是当前机器人实现柔性、智能运动的唯一可行方案。

1.3 复杂约束下的最优策略自主探索能力

足式机器人运动是典型的多约束优化问题：关节扭矩限制、角速度限制、接触力约束、零滑动约束、重心稳定约束等。传统控制需要工程师手动约束优化边界、设计代价函数，耗时耗力且难以找到全局最优解。
RL通过奖励函数设计，可在多约束空间中自主探索最优运动策略。针对高敏捷运动（高速奔跑、原地跳转、越障、跳跃落地），RL能够学习到人类工程师难以设计的精细化动态步态，大幅提升机器人的运动灵活性和极限性能。

小结：RL的核心价值是智能、自适应、高灵活性、低建模成本，解决了传统控制“僵硬、泛化差、建模难”的行业痛点，是机器人实现智能化运动的核心抓手。

2. RL的致命工程短板

尽管RL优势突出，但在工业落地、量产稳定性、安全可靠性层面，存在多个根本性、无法通过算力、数据、调参修复的致命短板。这些短板决定了RL永远只能做“增强模块”，无法成为足式机器人的底层控制底座。

2.1 约束只能被建议，不能被保证

这是最根本的一条。PPO 优化的是期望回报，不是可行性。摩擦锥、支撑多边形 / 零力矩点、关节力矩上限、单边接触（法向力 ≥ 0）、踝关节电流热积累，在 RL 里最多变成：

• 奖励里加一个 penalty；
• 动作后做一层 clip；
• 仿真里摔倒就 reset。

clip 不是摩擦锥。τ = clip(τ, τ_max) 只能保护电机驱动器，不能保证足端力落在 μ 锥内，也不能保证双足换步时质心投影仍在有效支撑域。你看到的“很少摔倒”，是训练分布上的统计结果；现场出现油污地面、单腿踩空、人拽着机械臂往外拉，策略没有 KKT 条件可以退守。
MPC / WBC 的不等式是求解器必须满足的约束（或带松弛但有明确优先级）。这是安全层和控制层的差别，不是“谁走得更帅”的差别。

2.2 黑盒让排障成本高于训练成本

MPC/WBC是白盒优化算法，每一步输出的控制量都满足动力学约束、安全约束，稳定性、安全性可数学证明。MPC 站不住，工程师会看：是水平力饱和、是 yaw 权重太小、还是足端估计在世界系。RL 站不住，日志里是一串 48 维观测和 12 维动作。你不知道它是把重力投影吃偏了、把历史相位用错了，还是对某种指令组合从未见过。
RL是典型的黑盒算法，策略输出的动作没有物理理论支撑，无法解释“为什么输出该扭矩、该步态”。
这带来两个致命工程问题：

1. 稳定性不可控：遇到训练集外的极端场景，RL可能输出异常动作，直接导致机器人摔倒、损坏，无任何安全兜底机制。
2. 故障无法定位：机器人运动异常时，无法通过理论公式溯源问题，只能反复改参数、增奖励函数，重新训练。

RL足式项目的真实工时分配，往往是：训练 20%，做状态估计和 sim2real 30%，查“为什么这次在斜坡第三级台阶向外翻” 占 50%。没有可解释中间量（期望 GRF、期望质心加速度、任务误差），现场就只能“再随机化一点、再加“penalty”。这不是研究态度问题，是产品无法迭代的问题。

2.3 策略绑定本体，负载和机构一变就要重训

QP 里质量矩阵变了，明天改 mass 和 Ixx 就能重新走。RL 策略里质量是被“吃进网络权重”的。加 5 kg 背包、换橡胶足垫、手臂伸出去做一个 2 kg 的末端工具，观测分布和动力学同时偏移。Domain randomization 只能覆盖你预算得起的分布；它不是万能外推。
工业现场最常见的需求恰恰是这些“小改动”：巡检机器狗今天背雷达、明天背机械臂；人形今天空手上楼梯，明天托着料箱。纯策略路线会把每次机构变更变成一次训练任务：数据、奖励、安全员、过拟合检查。模型基路线是一次建模、多次改参数。

2.4 组合任务几乎无法直接拼接

这是人形项目里最痛的一点。一个会走路的策略和一个会伸手的策略，不能像 WBC 任务那样 addTask(hand_pose) 就叠上去。全身 29 DoF 端到端策略可以同时学 loco-manipulation，但：

• 奖励权重会互相打架（走稳 vs 手准）；
• 接触模式从“两只脚”变成“两只脚 + 一只手”，离散结构变了；
• 失败样本稀疏，学习信号极差；
• 上线后产品经理再说“希望左手无力控制、右手位置控制”，你没有任务接口可改，只能重训。

所以开源社区出现了 IsaacLab-Decoupled-WBC 这类明确的解耦：学生策略只管下肢和腰，上肢保持默认关节。这不是技术退步，这是承认：多任务优先级是 WBC 的语言，不是 MLP 的语言。

2.5 安全约束无法硬绑定，存在重大落地风险

机器人工业落地的核心底线是安全约束：关节扭矩上限、角速度上限、接触力阈值、重心稳定域、避免自碰撞等。
RL的奖励函数是软约束，只能“引导”策略趋近安全区间，无法“强制约束”。极端场景下，可能出现输入给策略的观测在训练分布之外，导致策略推理得出的actions异常，这会突破物理安全限制，输出超限扭矩、超范围动作，直接造成电机烧毁、机械结构损坏、整机倾倒等。
消费级四足摔倒是视频素材。工业四足撞到人和人形在工厂过道失去平衡，是责任事故。RL 策略没有“最坏情况约束”；功能安全（STO、力矩限、速度限、工作空间限）必须写在策略外面。
而MPC/WBC在优化求解过程中，可将所有安全约束、物理约束写入优化方程，硬绑定控制边界，无论何种场景，输出的控制量永远符合安全规范，这是量产机器人的核心安全保障。

2.6 时间尺度错配：接触事件比策略周期快一个数量级

策略常见 50 Hz，周期 20 ms。足端撞击、打滑起始、边缘失稳，是 1–5 ms 量级的事件。PD 能在 1 kHz 抗扰，但 PD 跟踪的是策略给出的 q_des；如果 q_des 本身已经把摆动腿送进奇异或把支撑腿送出摩擦锥，内环只能更准确地执行一个坏命令。
WBC / MPC 的价值就是在这个快层用当前接触力估计重解一次 QP。把快层也交给 50 Hz 策略，等于要求网络在训练时见过所有冲击相位——这在仿真里都做不到完整覆盖。

2.7 Reward hacking 与指令分布外

常见作弊包括：用高频抖动骗速度奖励、把一只脚拖在地上减碰撞项、在 yaw 跟踪里用侧向滑动代替转向。更隐蔽的是指令外推：训练时 v_x ∈ [−1, 1]，操作员推到 1.3，策略可能直接跪地。MPC 在同样情况下会饱和到可行集边界，表现是“走不动”而不是“炸”。产品上，可预测的性能下降远比偶发崩溃更容易被接受。

3. MPC / WBC 为什么仍然不可替代

把 RL 的短板反过来，就是模型基控制还活着的原因。它们不是“更传统”，而是把工程必须守住的东西写成了数学对象。

3.1 MPC：在有限视界里显式做前瞻

以 Mini Cheetah / Cheetah Software 的凸 MPC 为代表，四足最常用的是单刚体模型：机身 13 维状态（姿态、位置、角速度、线速度、重力），输入是四条腿的 GRF，预测视界大约 0.3–0.5 s、10 步左右。代价函数惩罚姿态、位置、速度跟踪，约束包括：

• 摆动腿力为 0、支撑腿法向力 ≥ 0；
• 摩擦锥（常线性化为棱锥）；
• 力上限；
• 有时还有 ZMP / 压力中心落在足底。

MIT 的贡献不仅是“能走”，而是把这套 QP 做到 实时 30–50 Hz、求解毫秒级（OSQP / qpOASES）。开源仓库 mit-biomimetics/Cheetah-Software 仍然是这条路线的参考实现。后续 Google 的 motion imitation 栈、rl-mpc-locomotion 的 Python 移植，都是在同一套凸 MPC 接口上长出来的。
双足尤其依赖这一点：单支撑相如果只做当前时刻的 QP，就无法为即将到来的摆动落地留出储备；NMPC 则可以把接触切换写进预测视界（OCS2 的 switched system 正是为此设计）。

3.2 WBC：把“全身同时干很多事”变成可优先级的 QP

WBC 处理的问题是：给定当前接触、给定高层轨迹（来自 MPC、来自 RL、来自运动学示教），求解
$$M(q)\ddot{q}+h(q,\dot{q})=S^{\top }\tau +J_c^{\top }f$$
同时满足任务：机身姿态、摆动足轨迹、接触不穿透、关节中位、手臂末端位姿……以及不等式：力矩限、摩擦锥、关节限。
工业实现通常是分层 QP 或零空间投影：高优先级任务（接触约束、平衡）写成硬约束，低优先级任务（姿态美观、手臂）在零空间里尽量做。这和 RL 的“一个标量 reward 里加权求和”有本质区别——优先级是结构，不是碰运气调参。
开源上，qiayuanl/legged_control 把这件事写得很清楚：OCS2 的 NMPC 给出质心和足端参考，WBC 在完整刚体动力学上求力矩，再经 ros-control 下到 A1。作者明确写了数据流：NMPC 优化状态与输入 → WBC 根据全阶动力学算出关节力矩。这不是示例代码，而是国内大量四足实验室的实机起点。

3.3 模型可改、约束可加、行为可解释

这三条合在一起，才是“工业可维护”：

• 改模型：负载从 0 到 15 kg，改质量和惯量，MPC 立刻换一套 GRF 分配。手臂伸出导致质心前移，WBC 的接触约束自动把踝力矩重新分配。
• 加约束：机械臂进入禁区？加笛卡尔不等式。某一颗电机过热？把对应力矩上限从 30 Nm 改到 18 Nm，QP 仍可能有解，最多走得更保守。
• 可解释：日志里有期望 GRF、任务误差、QP 不可行标志。现场可以画曲线，而不是只说“策略这帧的 logit 比较奇怪”。

对人形 loco-manipulation，这几乎是刚需。1X 开源的 wb_humanoid_mpc（基于扩展版 OCS2，支持 Unitree G1 的质心 MPC 与全阶全身动力学 MPC）说明：即便公司定位是数据与神经网络，实时全身 NMPC 仍被当作 loco-manipulation 的规划与控制底座。论文叙事里“统一 MPC 框架同时做行走和操作”（Sleiman 等在 ANYmal 上的工作）与此一致。

3.4 诚实对照：MPC / WBC 也有做不到的事

混合架构不是为了给模型基控制唱颂歌。它们的短板同样明确：

• 模型错了就会“自信地做错”：腿惯量忽略过多、接触估计反了，QP 仍会给出漂亮的不可行解之外的次优力；
• 代价权重是一门手艺：rl-mpc-locomotion 把 12 维 MPC 权重暴露给 RL，本身就说明靠手工很难在全工况下调好；
• 复杂地形与风格运动上，SRBD + 手工步态调度打不过大规模 RL；
• 全阶 NMPC 的实时性、初始化、接触模式调度，工程量远大于“训一个 PPO”。

所以正确表述是：MPC/WBC 守住可行与可维护，RL 打开技能与适应性。谁替代谁，是伪问题。

4. 当前行业真实分层架构

把厂商 Demo 和开源仓库对着看，会发现一个非常稳定的图案：四足和人形都在用分层，只是学习模块插入的高度不同。

4.1 三种已经被开源验证的混合模式

• 模式 A：高层 RL 或规划给出速度、落脚区域、操作意图；中层 MPC 管平衡与力；下层 WBC 管全身任务。适合载重、操作、要保证接触力的场合。
• 模式 B：MPC / WBC 结构保留，RL 只学人调不好的那部分（代价权重、残差力、步态相位）。约束不破，适应性上来。
• 模式 C：策略直接出关节目标，PD 跟踪。开发最快、技能上限高、约束最弱。消费级四足和人形“走路 / 跳舞”主流都在这里，但产品仍要在外面加 FSM。

同一家公司可以同时卖 A 和 C。这不是架构混乱，是场景分化。

4.2 四足：开源仓库把“双栈并存”写在明面上

（1）MIT Cheetah-Software：教材级模式 A 的下半截

仓库：https://github.com/mit-biomimetics/Cheetah-Software

凸 MPC 出 GRF，WBC 把机身任务和腿部任务合成力矩，再加笛卡尔 / 关节 PD。Mini Cheetah 能在实验室里跑、跳、受扰恢复，靠的不是端到端策略，而是 50 Hz 前瞻 + 500 Hz 全身 QP。后来几乎所有 Python/Isaac 移植（包括 rl-mpc-locomotion）都在复用这套接口：传感器进、力矩出，中间可插仿真器。

（2）宇树 unitree_guide：厂商自己的教学与基础控制栈

仓库：https://github.com/unitreerobotics/unitree_guide

这是宇树配套教材《四足机器人控制算法——建模、控制与实践》的工程实现：FSM（Passive / FixedStand / Trot …）+ 虚拟模型 / WBC 思路的底层控制。官方 README 写得很直白：基础控制器面向入门，要更好性能需要调参或上更先进方法（例如 MPC）。社区随后出现 unitreeMPC_guide、QUAD-MPC-SIM-HW 等，把凸 MPC 嵌进同一套 FSM，并在 Go1 实机上验证。

（3）宇树 unitree_rl_gym / unitree_rl_lab：厂商自己的 RL 栈

仓库：

• https://github.com/unitreerobotics/unitree_rl_gym
• https://github.com/unitreerobotics/unitree_rl_lab

同一家厂商，同时维护模型基教学栈和 Isaac 训练栈。Go2、H1、G1 都可以在 Isaac Gym / Isaac Lab 里训 PPO，导出后经 MuJoCo 中转再上实机。这是目前最有说服力的行业证据：不是 RL 取代了 WBC，是产品线需要两种交付物。 展厅花活走模式 C，教材、二次开发、需要可读控制的场合走 unitree_guide。

（4）qiayuanl/legged_control：国内落地率最高的 NMPC+WBC

仓库：https://github.com/qiayuanl/legged_control

基于 ETH ocs2 + ros-control，NMPC 与 WBC 分工明确，A1 实机被大量实验室在数小时到数天内跑通。它证明模式 A 在 2020 年代依然是“要可靠性时的默认答案”。OCS2 本身（leggedrobotics/ocs2）来自 ANYmal 团队，是切换系统最优控制工具链，工业四足里“能同时走路和操作”的那一派，基本都从这里汲取方法。

（5）ETH legged_gym + 技能型 RL：模式 C 的源头

仓库：https://github.com/leggedrobotics/legged_gym

以及 walk-these-ways、Extreme Parkour。它们把 Isaac 并行 RL 做到了极致：一个策略覆盖宽指令，或直接看深度图跨障碍。实机上仍然是 PD + 估计 + 安全逻辑。ANYbotics 的产品化机器人和 ETH 论文机器人不是同一个软件栈；论文可以纯 RL，产品要过安全与维护，分层会加回来。

（6）rl-mpc-locomotion：模式 B 的完整开源切片

仓库：https://github.com/silvery107/rl-mpc-locomotion

这是理解“RL 不能替代 MPC”最合适的教学项目之一：高层策略不出力矩，只动态预测凸 MPC 的 12 维代价权重；下层完整保留 Cheetah 风格 MPC（Python + OSQP/C++ 求解器），在 Isaac Gym 里对 Aliengo 并行训练，并在真机 Aliengo 上做过 sim2real。FSM（Recovery Stand / Locomotion）、状态估计、腿部控制器全部在。下文第 5 节会把它当作范例来讲解。

4.3 人形：学习更猛，底层约束反而更硬

人形比四足多了两件事：欠驱动更严重（单支撑相支撑域很小），以及上肢任务必须和平衡抢接触力。所以开源世界里出现了一种看起来矛盾的繁荣：运动模仿 RL 极其火，全身 NMPC 也在同期开源。

（1）官方 RL：unitree_rl_lab 的 G1-29DoF 速度跟踪

模式 C。策略管全身或下肢关节目标，适合走、转、简单地形。这是把四足成功经验平移到人形，上限是“像人一样走起来”，不是“一边走一边以牛顿级精度拧螺丝”。

（2）解耦全身控制：IsaacLab-Decoupled-WBC

仓库：https://github.com/chrisyrniu/IsaacLab-Decoupled-WBC

教师策略 / 学生蒸馏，部署路径上学生管下肢和腰，上肢钉在默认位置。它被用在 Unitree G1 的 Humanoid Touch Dream 实验。名字里的 WBC 指“全身/下肢控制器”这一产品形态，架构含义更重要：人形落地会主动把上肢从平衡策略里拆出去，以便以后把上肢交给真正的任务空间 WBC 或第二个策略。

（3）运动模仿部署：wbc-g1-deploy / wbc-mjlab

ONNX 全身跟踪，一套策略切多个 NPZ 动作片段（LAFAN1 等）。这是 2024–2025 年人形最显眼的开源路线：在仿真里对齐动作，在实机用高增益 PD 跟踪。它能跳舞、能翻，但对接触力没有显式锥约束。作为技能层非常强，作为操作层不够。

（4）全身 NMPC：wb_humanoid_mpc

仓库：https://github.com/manumerous/wb_humanoid_mpc（1X Technologies 支持开源，支持 Unitree G1）

质心 MPC 优化全身运动学与质心动量；全阶全身动力学 MPC 直接在力矩级预测。依赖 OCS2、Pinocchio、HPIPM。这是模式 A 在人形上的当代形态。一个做神经网络人形的公司把这套东西开源，比任何评论都更能说明：loco-manipulation 的可行集，仍然需要在线最优控制来守。

（5）更老的工业人形栈：IHMC、mc_rtc、Drake

Atlas / Valkyrie 时代的 IHMC 开源 Java 栈、CNRS 的 mc_rtc、TRI 的 Drake，全是 QP WBC + 规划。它们不太出短视频，但工厂、航天、研究平台的全身控制文档是从这里写出来的。新一代学习型人形若要进这些场景，最后还是会把参考轨迹交给类似的 QP。

4.4 一张对照表，避免被 Demo 带跑

场景	更常见的栈	开源锚点	RL 替代了什么	RL 没替代什么
消费级四足花活	模式 C	unitree_rl_gym, walk-these-ways	步态生成、风格	关节PD、FSM、保护
科研敏捷 / 跑酷	模式 C + 视觉	Extreme Parkour, Isaac Lab	落脚与跨越策略	接触约束保证
实验室载重四足	模式 A	Cheetah-Software, legged_control	可选的高层指令	MPC、WBC、估计
自适应地形四足	模式 B	rl-mpc-locomotion	代价权重 / 残差	摩擦锥与力分配
人形走路 / 跳舞	模式 C	unitree_rl_lab, wbc-g1-deploy	全身参考运动	PD、状态机
人形行走+作业	模式 A 或解耦	wb_humanoid_mpc, Decoupled-WBC	技能与上肢策略	平衡约束、接触QP
工业安全优先	A + 安全层	OCS2, mc_rtc, Drake	至多高层规划	整条约束链

5. 解剖一个开源项目：用 RL 预测 MPC 权重

把模式 B 讲清楚，最好对着一套能跑的代码。rl-mpc-locomotion 的目标不是“用网络取代 MPC”，README 第一句就写了：高层策略网络 + 底层模型预测控制；RL 动态预测 MPC 的权重参数。

数据流可以画成：

几个工程细节值得单独拿出来，因为它们就是“为什么不能替代”的微观证据。

权重有物理含义。 12 维大致对应姿态三项、位置三项、角速度三项、线速度三项的跟踪权重（再补一个占位）。训练时把网络输出从 ([-1,1]) 仿射到正区间，并在 DesiredStateCommand 里断言所有权重 ≥ 0。网络不能把 QP 改成非凸，也不能关掉摩擦锥。

MPC 仍然按自己的频率解。 控制器 dt=0.01 s，凸 MPC 视界 10 步，OSQP 求解在 C++ 绑定下可到毫秒级。开发日志里写过一个典型权衡：策略更新和 MPC 50 Hz 并不同步，差一倍时仍可接受。如果让网络直接出力矩，你就失去了这 10 步前瞻和全部不等式。

FSM 没有被训练掉。 Recovery Stand、Passive、Locomotion 仍在。RL 训练时甚至会关掉部分安全检查以免频繁 reset，部署时再打开 FSM_check_safety。这是所有正经混合系统的共同纪律：训练分布可以冒险，部署状态机必须保守。

仿真器被当成可替换的刚体源。 控制器与 Isaac Gym API 解耦，输入只有 DOF / 刚体状态，输出只有腿力矩。这保证 MPC 可以迁到 Gazebo、实机、或其他仿真，而不把策略和渲染绑死。模式 C 的策略往往和训练环境的观测定义死绑，迁移成本更高。

真机验证说明混合是为了 sim2real，不是为了发论文。 rl-mpc-locomotion展示了 Aliengo 的 MPC 上下台阶以及 sim2real 片段。RL 的职责是让同一套 QP 在不同速度、地形下少调手工权重；摔倒恢复、站立、力限，仍然是模型基代码。

如果你正在做自己的项目，这个项目给出的接口建议非常具体：

1. 让 RL 输出低维、非负、有界、有物理单位或代价含义的量；
2. 让 QP 继续拥有不可学习的约束块；
3. 让 FSM 继续拥有不可学习的状态切换；
4. 用 Isaac 并行去搜那些手工搜不动的权重曲面，而不是去搜 12 维力矩本身。

6. 工程上怎么选、怎么接

架构选择可以按三个问题做决策，而不必站队。

第一，失败是否可接受？ 展厅摔倒可以重来，选模式 C，迭代最快。近人、近设备、有负载，选 A 或 B，把摩擦锥和力矩限留在 QP 里。

第二，任务是否要在线改优先级？ 今天只要走路，模式 C 足够。明天要“左臂柔顺、右臂定位、腰保持相机平视、脚还得上台阶”，必须有 WBC 任务接口。把这些塞进一个 reward，会把项目做成无限调权。

第三，本体是否频繁变？ 固定结构的消费级机器狗，训一个总策略可以卖一年。模组化人形、可换末端、可换电池包，优先模型基内环，RL 只当技能插件。

接口上有几条已经被多次验证的“少后悔”设计：

• 频率分层不可倒。 策略 50 Hz，QP 200 Hz+，电流环 kHz。不要让 Python 策略去抢 WBC 的节拍。
• 动作空间尽量靠近任务。 速度、落脚、权重、笛卡尔残差，优于原始力矩。力矩学习在仿真里好看，实机上对延迟和饱和极敏感。
• 观测要对齐估计器，而不是对齐仿真真值。 Isaac 里随便拿 base lin vel，实机没有。
• 安全层写在策略外面，且默认接管。 conservatively：倾角过大切 Recovery，QP 不可行切站立阻尼，总线超时切电流零。
• 日志要记中间量。 即使模式 C，也建议在线算一个“事后 QP”做诊断：当前接触下若用 WBC 会要多少力。这能告诉你策略离可行集有多远。

Isaac Sim / Isaac Lab 在这个图景里的位置也很清楚：它是技能工厂和域随机化工厂，不是实机操作系统。用它训出 Actor，再把 Actor 嵌进有约束的运行时，这才是 2024–2026 年开源社区真正收敛的做法。

7. 结论

强化学习不能替代 WBC / MPC，是因为它们根本不是同一类部件。

Isaac 并行 RL 的长处是实打实的：它把接触丰富、模型难看的技能搜索，变成了可规模化的计算。没有它，就没有今天四足的公园跑酷和人形的运动模仿。它的致命短板同样实打实：约束是软的，本体是绑死的，任务是不可组合的，排障是不透明的，快接触事件和安全责任都不在 50 Hz 策略的能力范围内。

MPC 提供有限时域的力与质心前瞻，WBC 提供带优先级的全身可行力矩。它们在敏捷上可能输给网络，在可约束、可修改、可解释、可认证上没有替代物。宇树同时维护 unitree_guide 与 unitree_rl_lab，ETH 同时产出 OCS2 与 legged_gym，1X 在做 AI 人形的同时开源 wb_humanoid_mpc，MIT 的凸 MPC 仍被 Python 生态反复移植——这些不是历史惯性，是分层之后的稳态。

更准确的工作方式是一句话：

让 RL 去生成技能与参数，让 MPC 去分配未来几百毫秒的接触力，让 WBC 在当前时刻把多任务收成不越界的力矩，让关节伺服和 FSM 把机器人活着带回来。

---

参考文档与开源项目

• MIT Cheetah Software：https://github.com/mit-biomimetics/Cheetah-Software
• Unitree Guide：https://github.com/unitreerobotics/unitree_guide
• Unitree RL Gym / RL Lab：https://github.com/unitreerobotics/unitree_rl_gym ，https://github.com/unitreerobotics/unitree_rl_lab
• ETH OCS2：https://github.com/leggedrobotics/ocs2
• legged_control（NMPC+WBC）：https://github.com/qiayuanl/legged_control
• ETH legged_gym：https://github.com/leggedrobotics/legged_gym
• walk-these-ways：https://github.com/Improbable-AI/walk-these-ways
• rl-mpc-locomotion：https://github.com/silvery107/rl-mpc-locomotion
• wb_humanoid_mpc（G1 全身 NMPC）：https://github.com/manumerous/wb_humanoid_mpc
• IsaacLab-Decoupled-WBC：https://github.com/chrisyrniu/IsaacLab-Decoupled-WBC
• wbc-g1-deploy：https://github.com/wbc-mjlab/wbc-g1-deploy
• NVIDIA Isaac Lab 文档：https://isaac-sim.github.io/IsaacLab/

（本文观点来自开源仓库结构与可复核的工程接口，不代表各厂商未公开的量产软件全貌。产品内部往往比开源更分层。）