机器狗这几年从实验室里走出来得很快展会、园区巡检、教学演示、甚至一些商业演出里都能见到它的身影。很多人第一次看到它蹦蹦跳跳、上下楼梯、被踹一脚还能站稳第一反应是“这东西到底怎么控制的”。我接触四足机器人有些年头了从早期只能走平地的样机到后来能跑能跳、能扛扰动的平台踩过的坑不算少。这篇就围绕“机器狗的控制方法有哪些”这个题目把我理解的整套控制体系拆开讲清楚从最底层的关节控制到中间的步态规划再到上层的任务决策尽量把每一层的原理、参数、实操要点和常见问题都说到位。如果你是完全的新手看完至少能明白机器狗不是“一个算法”在控制而是一整套分层协作的系统如果你已经上手过某个平台这里面的参数整定思路、步态切换逻辑和排查经验应该能帮你少走一些弯路。我会尽量用生活化的类比解释复杂概念同时把能直接抄作业的步骤和配置写出来。1. 先搞清楚机器狗的控制到底分几层很多人一上来就问“用什么算法控制机器狗”这个问题其实问得不够精确。机器狗的控制是一个典型的分层结构不同层解决的问题完全不同混在一起谈就容易糊涂。我习惯把它分成四层关节层、身体姿态层、步态规划层、任务决策层。这四层从上到下依次下发指令从下到上依次反馈状态像一家公司从老板到一线员工的指令传递。1.1 四层控制架构的职责划分关节层是最底层直接面对电机。它关心的是“这个关节现在角度多少、要转到多少、用多大力矩”。这一层的控制频率最高通常在1kHz到10kHz之间因为电机响应快控制周期必须足够短才能稳住。身体姿态层关心的是“机身现在是什么姿态、离地多高、有没有倾斜”它把上层想要的机身状态翻译成四条腿各自该伸多长、该用多大力。步态规划层负责“怎么迈腿”包括什么时候抬哪条腿、抬多高、落点在哪、身体怎么配合移动。任务决策层则是“往哪走、走多快、遇到障碍怎么办”这一层可能跑在机载计算机上也可能部分跑在远程操作端。这四层的划分不是绝对的有些平台会把姿态层和步态层合并有些会把决策层拆得更细。但核心思想是一致的越往下频率越高、越贴近硬件越往上频率越低、越贴近任务。理解这一点后面看任何控制方法都不会迷路。1.2 为什么不能用一个算法包打天下有人会想既然有强化学习这种端到端的方法能不能一个神经网络从摄像头输入直接输出关节力矩把中间层全干掉理论上可以实际中也有人这么做但工程上很少完全这么做。原因很实在端到端模型的可解释性差出了问题很难定位是感知错了、决策错了还是执行错了而且训练一个能覆盖各种地形的端到端策略数据量和算力成本都很高调试周期长。分层结构的好处是每一层可以独立验证、独立替换关节控制调好了就稳定了步态换一种也不影响底层。这就像做菜切菜、配料、火候分开管哪一步出问题一目了然全揉在一起炒糊了都不知道糊在哪。所以下面我按层来讲先讲最底层的关节控制再往上走。2. 关节层控制机器狗动作的最小单元关节层是整台机器狗动作的“肌肉”这一层没调好上面规划得再漂亮也白搭。机器狗的每条腿通常有3个关节髋外摆、髋俯仰、膝俯仰四条腿共12个关节少数平台会多一个踝关节或腰部关节。每个关节一般由无刷电机加谐波减速器或行星减速器驱动配合编码器反馈角度。2.1 位置控制、速度控制与力矩控制怎么选关节层最常用的三种控制模式是位置控制、速度控制和力矩控制实际平台往往是这三种的组合比如“位置力矩”的串级模式。位置控制最简单给定目标角度控制器算出需要多大电流去逼近这个角度。它的优点是稳定、好调缺点是刚性太强遇到冲击时电机硬扛容易过流或损坏。速度控制给定目标转速适合需要匀速转动的场景但单独用速度控制很难让腿停在某个角度。力矩控制给定目标力矩电机按指定力矩输出柔顺性好适合需要“软”响应的场景比如落地缓冲但纯力矩控制没有位置约束容易漂移。实际工程里最常见的是串级控制外环是位置环内环是速度环最内是电流力矩环。位置环算出速度指令速度环算出电流指令电流环直接驱动电机。这种结构兼顾了定位精度和动态响应是绝大多数商用平台的默认方案。我实测下来位置环带宽给到几十赫兹、速度环给到几百赫兹、电流环给到上千赫兹是比较稳妥的配置。注意不要一上来就把位置环增益拉得很高机器狗腿部的惯量和负载会随姿态变化增益过高在抬腿瞬间容易振荡表现为腿“抖”或者“嗡嗡”响。2.2 关节参数整定的实操思路参数整定是关节层最费时间的活。我的做法是分三步走。第一步先把电流环调好这一步通常在驱动器厂商的工具里完成给定一个阶跃电流指令看实际电流的响应曲线调整电流环比例和积分让响应快且不超调。第二步调速度环把位置环暂时旁路给速度阶跃指令观察实际转速速度环增益从低往高加直到响应变快但还没出现明显振荡。第三步调位置环给角度阶跃指令看关节到位时间和超调量位置环增益一般比速度环低一个数量级。这里有个容易忽略的点关节在不同角度下的负载特性不一样。腿伸直时力臂长、负载大腿弯曲时力臂短、负载小。所以整定参数时不能只在一个角度测要在关节行程的几个典型位置分别测一遍取一个折中的参数或者做增益调度gain scheduling按角度分段用不同增益。我见过不少新手只在中间角度调好就上线结果腿伸到极限位置时开始抖查了半天以为是机械问题。2.3 关节层的常见故障与排查关节层出问题表现往往很直接腿不动、腿抖动、腿发软、异响。排查顺序我一般是这样先看编码器读数是否正常编码器线松了或者磁环脏了会导致读数跳变表现为腿突然抽一下再看驱动器是否报过流或过温过流多半是增益太高或机械卡滞过温多半是长时间大电流堵转最后看机械连接减速器有没有间隙、连杆有没有松动。下面这张表是我整理的关节层问题速查表实际排查时对着看能省不少时间。现象可能原因排查动作关节不动使能未开、通信断、驱动器故障查使能状态、查通信指示灯、读驱动器错误码关节抖动位置环增益过高、机械间隙降增益试、手动晃关节听间隙关节发软力矩限幅过低、电流环异常查力矩限幅参数、测电流响应运行异响减速器磨损、连杆干涉断电手动转、听声音定位突然抽动编码器信号跳变查编码器线、清洁磁环3. 身体姿态控制让机身稳如老狗关节调好了机器狗能站住了但站着不等于稳。你推它一下它会不会倒取决于身体姿态控制。这一层要解决的核心问题是给定一个期望的机身高度、姿态角和移动速度四条腿各自该伸多长、落点在哪、用多大力。3.1 虚拟模型控制与机身刚度调节虚拟模型控制Virtual Model Control是我认为最直观的一种思路。它的核心思想是“假装机身和地面之间连着虚拟的弹簧和阻尼器”机器狗想保持某个高度就相当于有一根虚拟弹簧把机身往上顶想保持水平就相当于有虚拟扭簧把机身掰正。腿的作用就是产生这些虚拟弹簧需要的力。具体实现时先根据机身期望位置和实际位置的偏差算出一个虚拟力再把虚拟力分配到四条腿上通过雅可比矩阵转成各关节的力矩。这里的关键参数是虚拟刚度和虚拟阻尼。刚度大机身就“硬”抗扰动强但落地冲击大刚度小机身就“软”落地柔和但容易被推歪。我一般把垂直刚度设得比水平刚度大因为垂直方向要承重水平方向要柔顺。实测下来垂直刚度在几千牛每米量级、阻尼比在0.7左右是比较舒服的起点。提示虚拟刚度不是越大越好。刚度过大时机器狗落地会像一块砖砸下去冲击直接传到关节长期下来减速器磨损加快。刚度过小则站都站不稳稍微一推就趴。3.2 机身姿态的反馈来源与融合姿态控制离不开准确的姿态估计。机器狗机身上通常装IMU惯性测量单元包含加速度计和陀螺仪有的还加磁力计。加速度计能测重力方向长期准但短期噪声大陀螺仪测角速度短期准但会漂移。所以要做融合常见的是互补滤波或卡尔曼滤波。互补滤波简单把加速度计的低频和陀螺仪的高频加权合并调一个系数就行适合资源有限的平台。卡尔曼滤波更严谨能给出最优估计但需要建模噪声特性调参麻烦一些。除了IMU腿部的关节编码器也能提供信息。四条腿的着地状态和关节角度可以反推出机身相对地面的姿态这叫“腿部运动学估计”。实际中我通常把IMU和腿部估计做融合IMU负责快速响应腿部估计负责长期修正两者互补。只靠IMU时间长了会漂只靠腿部抬腿瞬间估计会跳。融合之后稳很多。3.3 抗扰动恢复的实操要点抗扰动是机器狗最出圈的技能被踹一脚还能站稳。这背后是姿态控制在起作用IMU检测到机身姿态突变姿态控制器立刻算出恢复力通过调整四条腿的支撑力和落点把机身拉回来。这里有几个实操要点。第一检测要快。扰动发生后如果检测延迟超过几十毫秒机器狗可能已经倾斜到无法恢复的角度。所以IMU数据要高频读取姿态偏差的阈值要设得合理太低会误触发太高会漏检。第二恢复动作要分优先级。轻微扰动靠调支撑力就能恢复中等扰动需要迈一步调整支撑面大扰动可能需要小跳一下重新找平衡。第三落地缓冲要做好。恢复过程中腿落地如果太硬反而会把机身弹起来所以落地瞬间要切到柔顺模式用低刚度吸收冲击。我踩过的一个坑是早期调抗扰动时只关注了恢复速度把增益拉得很高结果机器狗被推之后确实很快回正但回正过头了往反方向又倒过去来回振荡。后来加了阻尼、限制了恢复力的变化率才稳下来。所以恢复要快要稳但不能过冲。4. 步态规划机器狗怎么迈腿才不摔姿态控制解决的是“站着稳”步态规划解决的是“走着稳”。机器狗走路不是简单地抬腿往前放涉及支撑相和摆动相的时序、落点选择、身体重心配合这一层是四足机器人控制里最有意思也最考验功力的部分。4.1 常见步态类型与适用场景机器狗的步态按同时着地的腿数来分常见的有以下几种。步态类型着地腿数特点适用场景四足支撑4最稳不能移动站立、调整姿态爬行步态3慢但极稳任意时刻三条腿着地崎岖地形、精细作业对角步态2快对角腿同时迈平地快速移动跳跃步态0-2动态强有腾空相跨越障碍、表演爬行步态是最保守的一次只抬一条腿另外三条撑着重心始终在支撑三角形内几乎不会摔但速度慢。对角步态trot是最常用的对角的两条腿一组交替迈步速度快、能耗低但对控制要求高因为任意时刻只有两条腿着地重心必须动态平衡。跳跃步态更激进有腾空阶段适合展示和特殊场景但落地冲击大对关节和结构要求高。选步态的逻辑很简单地形越复杂、对稳定性要求越高就越往爬行步态靠地形平坦、追求效率就用对角步态。实际平台通常支持多种步态切换切换时要平滑过渡不能突然从爬行跳到对角否则容易失稳。4.2 摆动相轨迹设计与落点选择摆动相就是腿抬起来在空中移动的阶段。这条轨迹怎么设计直接影响走路的平顺性和越障能力。最基础的是用多项式或摆线生成一条从起点到终点的平滑曲线抬腿高度可调。抬得太低容易绊到小障碍抬得太高浪费能量还增加落地冲击。我一般把抬腿高度设在腿长的百分之十到十五之间具体看地形。落点选择更关键。理想情况下落点应该在机身重心投影的前方合适距离这样支撑面能覆盖重心。但实际中要考虑速度走得快落点要往前放否则跟不上走得慢落点可以保守一些。还要考虑地形如果前方有台阶落点要抬高到台阶面上。有些平台用简单的固定落点加偏移有些用基于机身速度的预测落点后者更平滑但需要准确的速度估计。注意落点不要设得太靠外否则腿伸得太直关节接近极限位置抗扰动能力下降。留一点弯曲余量腿才有调整空间。4.3 支撑相力分配与重心转移支撑相是腿踩在地上承重的阶段。四条腿怎么分担机身重量直接影响稳定性和能耗。最简单的是平均分配但机器狗在加速、减速、转弯时重心会偏移平均分配就不够了。更好的做法是按重心投影位置动态分配重心偏向哪条腿那条腿就多承重。重心转移是步态规划里的精髓。机器狗迈腿之前要先把重心移到支撑腿上让要抬的那条腿“卸力”这样抬腿才轻松机身也不会晃。这个转移过程要平滑用插值慢慢移不能瞬间跳。我调试时常用的方法是在抬腿前预留一段重心转移时间占整个步态周期的百分之二十左右转移轨迹用S形曲线起止都平滑。这里有个经验重心转移的幅度要跟步态速度匹配。走得慢转移可以充分走得快转移时间短幅度要相应减小否则重心还没移到位腿就抬了机身会侧倾。我见过有人用同一套重心参数跑所有速度结果慢速很稳、快速就晃就是没做速度适配。5. 上层任务控制从“会走”到“会干活”底层把走路解决了机器狗要真正有用还得会执行任务按路线巡逻、避开障碍、跟随目标、上下楼梯。这一层更接近传统机器人导航和决策的范畴但和底层控制耦合很紧。5.1 速度指令与运动学映射最上层的接口通常很简单给一个前进速度、侧移速度、转向角速度机器狗就按这个速度走。这三个量怎么变成四条腿的动作就是运动学映射。对于对角步态机身速度决定了步频和步幅速度快步频高或步幅大。步频太高电机跟不上步幅太大腿够不着所以要在一个合理范围内组合。我一般先定步频再根据速度算步幅。步频受关节最大角速度限制步幅受腿长和关节行程限制。比如腿长半米左右步幅一般不超过腿长的一半再大落地就不稳了。转向靠左右两侧腿的步幅差实现差速转向和履带车类似。5.2 感知与步态的自适应切换机器狗要自主行走得知道脚下是什么地形。常见配置是机身前方装深度相机或激光雷达往下看地面识别台阶、坑洼、斜坡。感知到地形后步态规划层要相应调整遇到台阶抬腿高度加大、落点抬高遇到斜坡机身姿态要跟着倾斜腿的伸缩要补偿高度差遇到松软地面落地要柔、支撑力要控制防止陷下去。这里的关键是感知和控制的延迟要匹配。感知算出地形需要时间如果延迟太大等机器狗走到跟前才调整就来不及了。所以感知要往前看提前规划。我实测下来感知延迟控制在几十毫秒内、提前看一到两个步态周期的距离是比较合理的。5.3 远程操作与自主模式的配合很多商用场景是远程操作加自主辅助的混合模式。操作员给大方向机器狗自己处理平衡和避障。这种模式下操作指令要经过一层“安全过滤”操作员让往前走但前方有障碍机器狗要能拒绝或减速操作员让快速转向但当前姿态不稳机器狗要先稳住再转。这层过滤本质上是把底层的能力边界暴露给上层让上层指令不超出底层能执行的范围。我个人的体会是混合模式比纯自主更容易落地。纯自主对感知和决策要求太高场景稍微一变就失效纯远程操作员累而且延迟一大就难控制。混合模式把操作员的判断和机器狗的底层能力结合起来容错率高。6. 进阶控制方法从模型到学习前面讲的是比较经典的分层控制这几年学习类方法在四足控制上进展很快值得单独说说。6.1 模型预测控制的思路与取舍模型预测控制MPC在四足上用得不少。它的思路是用机器狗的动力学模型预测未来一小段时间内不同控制指令的效果选一个最优的指令执行。优点是能显式处理约束比如关节力矩上限、摩擦锥约束而且能提前规划走得更顺。缺点是计算量大模型不准时效果打折。实际用MPC模型精度是命门。四足动力学模型要考虑机身惯量、腿的质量分布、足地接触模型建模越细计算越慢。所以工程上常用简化模型比如单刚体模型加腿的等效牺牲一点精度换实时性。我试过在机载计算机上跑MPC控制频率只能到几十赫兹配合底层的高频关节控制整体效果还不错但调模型参数花了不少时间。6.2 强化学习策略的训练与部署要点强化学习RL这两年在四足上很火尤其是sim-to-real仿真到现实的迁移。思路是在仿真里训练一个神经网络策略输入机身状态和指令输出关节目标然后部署到真机上。优点是能学到一些传统方法难写的复杂行为比如复杂地形下的自适应步态缺点是对仿真环境要求高仿真和现实的差距sim-to-real gap会导致真机表现下降。部署RL策略有几个实操要点。第一域随机化要做足。训练时随机化地面摩擦、机身质量、电机延迟、传感器噪声让策略对这些变化鲁棒迁移到真机才稳。第二动作平滑要做。网络输出的动作如果跳变真机上会抖所以要加低通滤波或动作变化率限制。第三安全兜底要有。RL策略是黑盒万一输出异常动作要有底层保护机制接管比如姿态偏差过大就切回传统控制器。我见过直接部署没做兜底的真机一个异常动作就摔了。6.3 传统方法与学习方法的融合趋势现在比较务实的做法是融合底层关节控制用传统方法保证稳定中层步态用RL学出来的策略增强适应性上层任务用传统规划保证可控。这样既有学习的灵活性又有传统的可靠性。我个人倾向于这种混合架构纯端到端在实验室很惊艳但落地到真实场景分层加学习的组合更稳。7. 实操调试中的经验与避坑清单讲了这么多方法最后落到实操。控制方法选得再好调试不到位一样白搭。这一节我把这些年踩过的坑和总结的经验集中说一下。7.1 从站立到行走的分阶段调试法调试机器狗千万别一上来就让它走。我的习惯是分阶段先调单关节再调单腿再调四条腿站立再调原地踏步最后才调行走。每个阶段稳了再进下一个。单关节阶段验证每个关节的正反转、限位、编码器方向都对。单腿阶段把腿悬空验证腿的伸缩、摆动轨迹正常没有干涉。站立阶段四条腿撑地调虚拟刚度和阻尼让机身稳、不晃、不沉。原地踏步阶段不前进只抬腿落地验证步态时序和重心转移。行走阶段从慢速开始逐步加速。这个顺序看着笨但能快速定位问题在哪一层比一上来就走然后摔了不知道哪出问题强得多。7.2 参数整定的优先级与联动关系参数很多不能眉毛胡子一把抓。我的优先级是先关节参数再姿态参数再步态参数最后任务参数。因为下层不稳上层调了也白调。而且参数之间有联动关节增益变了姿态控制的刚度可能要跟着调步态速度变了重心转移参数要跟着调。所以调参不是一次性的改了下层要回头验证上层。提示每次只改一个参数改完测一组固定动作记录结果。同时改多个参数出了问题根本不知道是哪个引起的。7.3 安全保护机制的必要配置机器狗力量不小调试时该有的保护不能省。硬件上急停按钮必须有而且要在手边调试架或吊装带在早期阶段很有用腿悬空转摔不下来。软件上要有姿态保护倾斜过大自动趴下、力矩限幅防止过流、通信超时保护指令断了自动停。这些保护在调试时可能觉得碍事但真出问题时能救机器狗一命。我印象很深的一次调一个快速转向动作参数给激进了机器狗原地打转越转越快眼看要甩出去急停拍下去才停住。从那以后我调任何激进动作都先上吊装带。7.4 常见问题速查与排查思路除了前面关节层的表整机层面也有几个高频问题。走路跑偏多半是四条腿参数不一致或落点不对称走路上下颠多半是步态周期和机身固有频率接近产生了共振改步频或加阻尼能缓解抬腿拖地多半是抬腿高度不够或摆动相轨迹不平滑落地冲击大多半是支撑相刚度太高或落地瞬间没做缓冲。排查时先看现象属于哪个阶段摆动还是支撑再往对应层的参数上找。整机现象优先排查方向调整手段走路跑偏腿参数一致性、落点对称性校准单腿、对称落点上下颠簸步频与固有频率共振改步频、加阻尼抬腿拖地抬腿高度、摆动轨迹提高抬腿、平滑轨迹落地冲击大支撑刚度、落地缓冲降刚度、加缓冲相转向不稳差速幅度、重心转移减小差速、加转移时间这些经验很多是文档里不会写的都是实际调出来的。控制方法本身是公开的难的是把方法落到具体平台上把参数调到合适把异常处理到位。8. 不同场景下控制方法的选型建议最后说说选型。同样是机器狗用在园区巡逻和用在教学演示控制方法的侧重点完全不同。园区巡逻这类场景地形相对规整但有行人、有台阶重点是稳定和续航。控制上建议以对角步态为主配合感知做台阶自适应姿态控制刚度适中保证长时间行走不累。上层用远程操作加自主避障的混合模式操作员管大方向机器狗管细节。教学演示场景重点是展示效果和安全性。可以多展示爬行步态、抗扰动恢复、跳跃等动作控制参数可以调得保守一些保证不摔。上层多用预设动作序列减少实时决策的风险。崎岖地形作业比如灾后探查这类重点是越障能力和鲁棒性。步态上爬行和对角结合遇到难走的地方切爬行好走的地方切对角。姿态控制要能适应大坡度感知要能识别坑洼和松软地面。这种场景对控制的要求最高也是各家平台拉开差距的地方。我个人在实际操作中的体会是没有一种控制方法能通吃所有场景关键是理解每一层的能力边界根据场景组合使用。底层稳、中层活、上层聪明三者配合好了机器狗才真正好用。踩过的坑告诉我别迷信某一个“先进算法”把基础的分层控制调扎实比追新概念实在得多。