简介这份资源包面向机器人工程、自动化及相关专业的学生与研究人员系统整理了双足机器人从机械设计、动力学建模到仿真验证与控制算法实现的完整学习链路适合具备一定力学与控制基础、希望深入理解人形机器人行走原理的进阶学习者。压缩包共134个文件约209.65MB涵盖step与sldprt三维模型、stl网格、mat与m脚本、osim与mot仿真数据、docx与pdf技术文档以及avi行走动画等可支撑结构设计、逆动力学分析与轨迹对比等环节。内容包含髋膝支架Ansys仿真报告、双足机器人动力学建模过程、OpenSim逆动力学仿真说明及仿真轨迹与期望轨迹对比等具体材料便于读者复现建模流程、核对仿真结果并理解控制算法落地思路。目前已有85人学习下载适合作为课程设计、结课项目或科研入门的参考素材。1. 双足机器人从零到一为什么你的第一个仿真模型总是站不稳双足机器人这个方向很多人第一次接触都是被 Atlas 或者 Optimus 的后空翻视频吸引进来的然后兴冲冲打开 SolidWorks 画了两条腿导出 URDF 丢进 Gazebo结果机器人刚加载就原地抽搐、关节乱飞、直接穿模。这不是你建模水平不行而是双足机器人本身就是控制领域里最不友好的入门对象——它是一个欠驱动、非线性、强耦合、且本质上不稳定的一阶倒立摆系统。你让它站着它天然就想倒。这个标题里的四个词——设计、建模、仿真、控制——恰好是一条完整的工程链路缺一环都跑不通。设计决定自由度分配和关节布局建模决定动力学方程能不能解仿真决定你能不能在不摔坏真机的前提下迭代算法控制则是让前面三步的成果真正闭环。适合读这篇的人有三类一是做毕设或课程项目、需要快速搭出一套能演示的双足平台的学生二是做电机控制或 FOC 出身、想往机器人方向转的工程师三是已经在做轮式或四足、想扩展到双足但被平衡问题卡住的从业者。我自己的血泪经验是不要一上来就追求 12 自由度全尺寸人形。先用 6 自由度每条腿 3 个关节的简化模型把站立平衡跑通再逐步加自由度。下面按设计、建模、仿真、控制、避坑、进阶六个部分展开每一步都给到能直接抄的参数和代码。2. 双足机器人的机械设计与自由度分配从关节布局到 PCB 驱动板选型2.1 自由度分配与关节构型的选择逻辑双足机器人的设计第一步不是画图而是确定自由度DOF分配。常见的方案有三种每条腿 3 DOF髋 pitch/roll 膝 pitch、每条腿 5 DOF加髋 yaw 和踝 pitch/roll、每条腿 6 DOF再加踝 yaw。自由度越多运动能力越强但控制难度和计算量呈指数上升。对于入门和中等复杂度项目我一般推荐每条腿 5 DOF 的构型髋关节 3 个pitch、roll、yaw、膝关节 1 个pitch、踝关节 1 个pitch。这个构型能实现矢状面和冠状面的平衡控制同时不至于让逆运动学变得无解。髋 yaw 的存在让你可以做转向踝 pitch 让你可以做 ZMP零力矩点调节。关节驱动方案上主流选择是准直驱quasi-direct drive配合行星减速器减速比在 6:1 到 10:1 之间。这个减速比的好处是既有一定的力矩放大又保留了背驱能力backdrivability对力控和柔顺控制友好。电机选型上大疆 RoboMaster M3508 或 M2006 是性价比很高的选择配合 C620 电调可以做到力矩闭环。结构件材料方面碳纤维板 铝合金连接件是常见组合。碳纤维负责大腿和小腿的主承力结构铝合金负责关节处的连接和轴承座。3D 打印件PETG 或尼龙可以用在非承力部位做快速验证但关节处不建议用回差太大会让控制效果大打折扣。2.2 驱动板与控制板的设计要点如果你要自己做驱动板这里有几个关键参数必须注意。以常见的 FOC 驱动方案为例DRV8323 或 DRV8301 是常用的栅极驱动芯片配合 STM32F405 或 STM32G474 做主控。MOSFET 选型上双足机器人的关节电机峰值电流一般在 20A 到 40A 之间建议选耐压 60V、导通电阻小于 5mΩ 的管子比如 IRFS7530 或 IPT015N10N5。PCB 布局上功率地和信号地必须分开FOC 的电流采样走线要等长且远离功率开关节点。四层板是底线两层板做 FOC 驱动基本等于自找麻烦。下面是一个典型的 FOC 电流采样配置// STM32 FOC 电流采样配置基于 TIM1 触发 ADC 注入通道 // 采样时机PWM 中心对齐模式下在计数器等于 ARR 时触发 void FOC_CurrentSense_Init(void) { // ADC 注入通道配置采样相电流 A 和 B ADC1-JSQR (0 20) | (1 15) | (2 10); // 通道0,1,2 顺序 ADC1-JSQR | (2 0); // 注入序列长度 3 // TIM1 配置为中心对齐模式触发 ADC TIM1-CR1 | TIM_CR1_CMS_0; // 中心对齐模式1 TIM1-CR2 | TIM_CR2_TS_2; // 触发源 更新事件 // 采样电阻 1mΩ运放增益 10 倍偏置 1.65V // 电流计算公式I (ADC_Value * 3.3 / 4096 - 1.65) / (0.001 * 10) }这段代码的核心逻辑是在 PWM 中心对齐模式下当计数器到达峰值ARR时触发 ADC 注入采样此时开关管状态稳定采样噪声最小。采样电阻取 1mΩ 是因为双足关节电流大电阻太大会导致功耗和发热问题。运放增益 10 倍是为了把 ±20A 对应的 ±20mV 信号放大到 ADC 可识别的范围。偏置 1.65V 是为了处理双向电流。注意采样电阻的功率额定值要留足余量。20A 峰值电流下1mΩ 电阻的瞬时功耗是 0.4W但平均功耗取决于占空比建议选 2W 以上的封装。3. 双足机器人建模URDF 编写、惯性参数计算与动力学方程推导3.1 URDF 模型编写与惯性参数的正确设置URDFUnified Robot Description Format是 ROS 生态里描述机器人模型的标配格式。很多人写 URDF 只关注视觉模型和关节位置忽略了惯性参数结果仿真里机器人要么像纸片一样飘要么像铅块一样沉。惯性参数包括质量、质心位置和惯性张量这三个必须和实际设计一致。惯性张量的计算可以用 SolidWorks 的质量属性工具直接导出也可以手算简化模型。对于一个近似长方体的连杆惯性张量可以按以下公式估算!-- 大腿连杆的惯性参数示例质量 0.8kg长 0.25m宽 0.06m厚 0.04m -- inertial origin xyz0 0 -0.125 rpy0 0 0/ !-- 质心在连杆几何中心 -- mass value0.8/ inertia ixx0.000533 ixy0 ixz0 iyy0.004267 iyz0 izz0.004533/ /inertial这里的 ixx、iyy、izz 分别是绕 x、y、z 轴的转动惯量。对于长方体ixx m/12 * (h² d²)iyy m/12 * (l² d²)izz m/12 * (l² h²)。其中 l0.25h0.06d0.04m0.8。代入计算ixx 0.8/12 * (0.06² 0.04²) 0.000533iyy 0.8/12 * (0.25² 0.04²) 0.004267izz 0.8/12 * (0.25² 0.06²) 0.004533。这些数值必须和实际零件匹配否则仿真里的动力学行为和真机差距会非常大。关节类型上双足的髋、膝、踝都是旋转关节revolute需要设置正确的限位。髋 pitch 一般限位在 -90° 到 90°膝 pitch 限位在 0° 到 135°膝盖只能往后弯踝 pitch 限位在 -45° 到 45°。限位设置不对仿真里关节会反向弯折看起来像骨折。3.2 动力学建模从拉格朗日方程到浮动基座模型双足机器人的动力学建模和固定基座机械臂有本质区别双足是浮动基座系统基座有 6 个自由度3 平移 3 旋转加上关节自由度整个系统的状态空间维度是 6 NN 为关节数。拉格朗日方程在这个场景下写出来是这样的M(q)q̈ C(q,q̇)q̇ G(q) Sᵀτ JᵀF其中 q 是广义坐标向量包含基座位姿和关节角M 是质量矩阵C 是科氏力和离心力项G 是重力项S 是关节选择矩阵τ 是关节力矩J 是接触点雅可比F 是接触力。这个方程直接手推基本不现实实际工程中都是用工具自动生成。Pinocchio 是目前最常用的刚体动力学库支持浮动基座模型计算效率高。下面是用 Pinocchio 加载 URDF 并计算质量矩阵的代码import pinocchio as pin import numpy as np # 加载 URDF 模型 model pin.buildModelFromUrdf(biped_robot.urdf) data model.createData() # 设置关节配置浮动基座 12 个关节 q pin.neutral(model) # 中性配置 q[2] 0.85 # 基座高度 0.85m q[3:7] [0, 0, 0, 1] # 基座四元数单位旋转 # 计算质量矩阵 M pin.crba(model, data, q) print(f质量矩阵维度: {M.shape}) # 应为 (18, 18) 6 12 # 计算重力项 G pin.computeGeneralizedGravity(model, data, q) print(f重力项: {G[:6]}) # 基座部分的重力补偿 # 计算科氏力矩阵 C pin.computeCoriolisMatrix(model, data, q, np.zeros(model.nv))这段代码的逻辑是先用buildModelFromUrdf加载模型然后设置一个合理的关节配置基座高度 0.85m 是典型双足站立高度调用crba计算质量矩阵computeGeneralizedGravity计算重力项。质量矩阵的维度是 18×18对应 6 个基座自由度和 12 个关节自由度。这些矩阵是后续控制器设计的基础比如计算力矩控制computed torque control就需要实时计算 M 和 G。提示Pinocchio 的crba只计算上三角部分如果需要完整矩阵要用pin.symmetrize补全下三角。4. 双足机器人仿真Gazebo 与 MuJoCo 的选型对比及最小可跑通配置4.1 Gazebo 与 MuJoCo 的选型理由与参数对比仿真平台的选择直接决定了你的开发效率。Gazebo 和 MuJoCo 是目前双足机器人最常用的两个仿真器但它们的定位完全不同。Gazebo 的优势在于和 ROS 生态无缝集成传感器仿真摄像头、激光雷达、IMU非常完善适合做感知和导航的联合仿真。缺点是接触求解器不够稳定双足站立时容易出现抖动和穿模需要仔细调参。MuJoCo 的优势在于接触动力学求解非常稳定计算速度快适合做控制算法的快速迭代。缺点是 ROS 集成不如 Gazebo 方便传感器仿真相对简单。我的建议是控制算法开发用 MuJoCo系统集成和感知测试用 Gazebo。两个仿真器都跑一遍互相验证。对比项GazeboMuJoCo接触求解ODE/Bullet需调参软接触模型默认稳定计算速度较慢实时性差快支持实时仿真ROS 集成原生支持需要 mujoco_ros 桥接传感器仿真完善基础适合场景系统集成、感知控制算法迭代4.2 MuJoCo 最小可跑通配置与站立仿真下面是一个完整的 MuJoCo 双足站立仿真配置包括 XML 模型定义和 Python 仿真循环。这个配置能让一个 12 自由度的双足机器人在仿真里保持站立 10 秒以上。!-- biped.xmlMuJoCo 模型定义简化版只展示关键部分 -- mujoco modelbiped option timestep0.001 gravity0 0 -9.81/ default joint damping0.5 armature0.01/ geom friction1.0 0.005 0.0001 condim3/ /default worldbody body nametorso pos0 0 0.85 freejoint/ geom typebox size0.1 0.15 0.2 mass5.0/ !-- 左腿 -- body nameleft_hip pos0 0.1 -0.2 joint nameleft_hip_pitch typehinge axis0 1 0 range-1.57 1.57/ geom typecapsule size0.04 fromto0 0 0 0 0 -0.25 mass0.8/ body nameleft_knee pos0 0 -0.25 joint nameleft_knee_pitch typehinge axis0 1 0 range0 2.36/ geom typecapsule size0.035 fromto0 0 0 0 0 -0.25 mass0.6/ body nameleft_ankle pos0 0 -0.25 joint nameleft_ankle_pitch typehinge axis0 1 0 range-0.79 0.79/ geom typebox size0.08 0.04 0.02 mass0.3/ /body /body /body !-- 右腿结构对称省略 -- /body /worldbody actuator motor jointleft_hip_pitch gear50/ motor jointleft_knee_pitch gear50/ motor jointleft_ankle_pitch gear30/ /actuator /mujocoimport mujoco import numpy as np # 加载模型 model mujoco.MjModel.from_xml_path(biped.xml) data mujoco.MjData(model) # 设置初始状态基座高度 0.85m关节角为 0 data.qpos[2] 0.85 data.qpos[3:7] [1, 0, 0, 0] # 四元数 # 仿真循环 for step in range(10000): # 10 秒timestep0.001 # 简单的 PD 控制器维持关节角为 0 kp 100.0 kd 10.0 for i in range(model.nu): joint_id model.actuator_trnid[i, 0] qpos_adr model.jnt_qposadr[joint_id] qvel_adr model.jnt_dofadr[joint_id] target 0.0 torque kp * (target - data.qpos[qpos_adr]) - kd * data.qvel[qvel_adr] data.ctrl[i] np.clip(torque, -50, 50) mujoco.mj_step(model, data) # 每 1000 步打印一次基座高度 if step % 1000 0: print(fStep {step}: base height {data.qpos[2]:.3f} m)这段代码的核心是MuJoCo 的mj_step负责前向动力学计算PD 控制器负责维持关节角。kp100, kd10是经验值对于质量 0.8kg 的连杆这个增益能提供足够的刚度又不至于震荡。gear50表示电机力矩放大 50 倍模拟减速器的作用。仿真跑 10000 步10 秒如果基座高度能维持在 0.85m 附近说明站立控制基本成功。注意MuJoCo 的timestep不要超过 0.002否则接触求解会不稳定。如果仿真速度慢可以增大timestep但不要超过 0.005。5. 双足机器人控制从 PID 到 ZMP 再到 MPC 的递进路径5.1 关节空间 PID 控制与重力补偿最简单的控制方案是关节空间 PID 重力补偿。每个关节独立控制目标关节角由上层规划器给出。重力补偿项直接从 Pinocchio 或 MuJoCo 的动力学计算中获取。# 关节空间 PID 重力补偿 class JointPIDController: def __init__(self, kp, kd, ki0.0): self.kp kp self.kd kd self.ki ki self.integral 0.0 def compute(self, q_target, q_current, dq_current, gravity_torque, dt): error q_target - q_current self.integral error * dt torque (self.kp * error - self.kd * dq_current self.ki * self.integral gravity_torque) return torque # 使用示例12 自由度双足 kp np.array([100, 100, 50, 100, 100, 50] * 2) # 髋、膝、踝 kd np.array([10, 10, 5, 10, 10, 5] * 2) controller JointPIDController(kp, kd) # 每个控制周期 gravity pin.computeGeneralizedGravity(model, data, q) tau controller.compute(q_target, q, dq, gravity[6:], dt) # 跳过基座 6 维PID 参数的选择上髋和膝的 kp 在 100 左右踝的 kp 在 50 左右因为踝关节承受的力矩较小。kd 一般是 kp 的 1/10 到 1/20。重力补偿项必须加否则机器人一松手就瘫倒。5.2 ZMP 稳定性判据与落脚点规划ZMP零力矩点是双足机器人稳定性分析的核心概念。简单说ZMP 是地面反作用力的等效作用点如果 ZMP 落在支撑多边形内机器人就不会倒。对于双足站立支撑多边形就是两只脚围成的区域。ZMP 的计算公式是x_zmp (Σ m_i (ẍ_i g) x_i - Σ m_i ÿ_i z_i) / (Σ m_i (ẍ_i g))实际工程中常用简化模型——线性倒立摆模型LIPM来做落脚点规划。LIPM 把机器人简化为一个质心和一个无质量伸缩腿动力学方程是ẍ ω² (x - x_zmp)其中 ω sqrt(g / z_c)z_c 是质心高度。这个方程的解是指数函数意味着系统本身不稳定需要主动控制。落脚点规划的目标是让 ZMP 始终在支撑多边形内。常用的方法是预览控制preview control提前 N 步规划 ZMP 轨迹然后反推质心轨迹。下面是一个简化的落脚点规划代码# 基于 LIPM 的落脚点规划 def plan_footstep(z_c, t_step, x_current, v_current): z_c: 质心高度 t_step: 单步时间 x_current: 当前质心位置 v_current: 当前质心速度 返回下一步落脚点位置 omega np.sqrt(9.81 / z_c) # LIPM 解析解 cosh np.cosh(omega * t_step) sinh np.sinh(omega * t_step) # 期望下一步质心速度为零稳定站立 x_next x_current * cosh v_current / omega * sinh v_next x_current * omega * sinh v_current * cosh # 落脚点 下一步质心位置 补偿项 footstep x_next 0.1 * v_next / omega # 0.1 是阻尼系数 return footstep这段代码的逻辑是用 LIPM 的解析解预测下一步的质心位置和速度然后根据速度偏差调整落脚点。0.1 * v_next / omega是阻尼项防止落脚点震荡。t_step一般取 0.3 到 0.5 秒太短了步频太高太长了单脚支撑时间过长容易失稳。5.3 MPC 在双足控制中的落地要点MPC模型预测控制是目前双足控制的主流方案核心思想是在每个控制周期求解一个有限时域的优化问题同时满足动力学约束、接触约束和关节限位。落地 MPC 有三个关键点第一预测时域不能太长。双足的 MPC 预测时域一般在 0.5 到 1.0 秒步长 0.05 到 0.1 秒。时域太长计算量爆炸太短了来不及调整。第二接触力约束要合理。地面反作用力必须满足摩擦锥约束|F_x| ≤ μ F_z|F_y| ≤ μ F_z摩擦系数 μ 一般取 0.6 到 0.8。同时 F_z 必须大于零不能拉地面。第三求解器选择。OSQP 或 qpOASES 是常用的 QP 求解器对于 12 自由度双足单次求解时间在 1 到 5 毫秒之间可以做到 200Hz 以上的控制频率。import osqp import numpy as np import scipy.sparse as sparse # MPC 简化 QP 形式min 0.5 xPx qx, s.t. l ≤ Ax ≤ u def build_mpc_qp(A_dyn, B_dyn, Q, R, N, x0): A_dyn, B_dyn: 离散动力学矩阵 Q, R: 状态和输入权重 N: 预测时域 x0: 当前状态 n_x A_dyn.shape[0] n_u B_dyn.shape[1] # 构建预测矩阵简化版实际需要 Kronecker 积 P sparse.eye(n_x * N).tocsc() * 1.0 # 占位 q np.zeros(n_x * N) # 约束关节限位和力矩限位 A_con sparse.eye(n_u * N).tocsc() l -np.ones(n_u * N) * 50 # 力矩下限 u np.ones(n_u * N) * 50 # 力矩上限 # 求解 prob osqp.OSQP() prob.setup(P, q, A_con, l, u, verboseFalse) res prob.solve() return res.x[:n_u] # 返回第一个控制量这段代码是 MPC 的骨架实际使用中需要补全动力学约束的构建。Q和R的调参原则是Q 越大跟踪越紧但控制量越大R 越大控制越平滑但跟踪越慢。双足站立场景下Q 一般取 100 到 1000R 取 0.01 到 0.1。6. 双足机器人开发避坑从仿真穿模到真机摔机的 5 个典型问题6.1 仿真里站得稳真机一上电就倒现象MuJoCo 或 Gazebo 里跑得好好的控制器烧录到真机后机器人直接瘫倒或者剧烈震荡。原因仿真里的电机模型是理想力矩源真机电机有响应延迟、摩擦、回差。更关键的是仿真里的 IMU 是完美的真机 IMU 有零偏和噪声。解决在仿真里给电机加一阶延迟环节时间常数 5 到 10 毫秒给 IMU 加高斯噪声零偏 0.01 rad/s噪声密度 0.001。同时把控制频率从仿真的 1000Hz 降到真机的 200 到 500Hz重新调 PID。6.2 URDF 惯性参数填错导致动力学完全不对现象仿真里机器人质量分布明显不对比如上半身轻得像气球或者腿重得像灌了铅。原因URDF 里的惯性张量是手填的没有从 CAD 导出或者单位搞错了kg·m² 写成了 g·mm²。解决从 SolidWorks 或 Fusion 360 导出质量属性直接复制惯性张量。检查单位URDF 统一用 kg 和 m。如果惯性张量出现负值或者不满足三角不等式ixx iyy ≥ izzMuJoCo 会直接报错。6.3 接触参数没调好导致脚底打滑或弹跳现象机器人站立时脚底在地面上滑动或者像踩了弹簧一样上下弹跳。原因摩擦系数设得太小打滑或者接触刚度solref和阻尼solimp设得不合理弹跳。解决MuJoCo 里摩擦系数设 1.0 到 1.5solref 设0.02 1时间常数 0.02 秒阻尼比 1solimp 设0.9 0.95 0.001。Gazebo 里把mu1和mu2设 1.0 以上kp设 1e6kd设 100。6.4 关节限位和自碰撞没开导致穿模现象仿真里大腿和小腿穿在一起或者膝盖反向弯折。原因URDF 里关节限位没设或者 MuJoCo 里contype和conaffinity没配对导致自碰撞检测失效。解决URDF 里每个 revolute 关节都要设lower和upper。MuJoCo 里相邻连杆的contype和conaffinity要设置成不互相检测比如父连杆 contype1子连杆 conaffinity2非相邻连杆要开启碰撞检测。6.5 控制频率和仿真步长不匹配导致数值震荡现象仿真里机器人高频抖动或者控制器输出饱和。原因控制频率和仿真步长不匹配。比如仿真步长 0.001 秒控制周期 0.01 秒但控制器里用了当前步的加速度做反馈导致数值微分噪声放大。解决控制周期必须是仿真步长的整数倍。控制器里避免用数值微分算加速度用关节速度做反馈就够了。如果必须用加速度加低通滤波截止频率 20 到 50Hz。7. 双足机器人进阶用域随机化提升仿真到真机的迁移成功率仿真到真机的迁移sim-to-real是双足机器人最难的环节。域随机化domain randomization是目前最有效的工程手段之一核心思想是在仿真里随机化那些真机上不确定的参数让控制器学会适应这些变化。具体做法是每次仿真重置时随机化以下参数——连杆质量±10%、质心位置±5mm、关节摩擦±20%、电机延迟5 到 15ms、IMU 零偏±0.02 rad/s、地面摩擦系数0.6 到 1.2。随机化范围不能太大否则控制器学不到有效策略也不能太小否则迁移失败。import numpy as np def randomize_domain(model, data): 每次 reset 时随机化模型参数 # 随机化连杆质量 for i in range(model.nbody): if model.body_mass[i] 0.1: # 跳过基座和世界 scale np.random.uniform(0.9, 1.1) model.body_mass[i] * scale # 随机化关节摩擦 for i in range(model.nv): model.dof_frictionloss[i] * np.random.uniform(0.8, 1.2) # 随机化地面摩擦 for i in range(model.ngeom): if model.geom_type[i] mujoco.mjtGeom.mjGEOM_PLANE: model.geom_friction[i, 0] np.random.uniform(0.6, 1.2) # 随机化电机延迟通过缓存历史控制量实现 delay_steps np.random.randint(5, 15) return delay_steps # 训练循环中使用 for episode in range(10000): delay randomize_domain(model, data) ctrl_history [] for step in range(2000): # 计算控制量 ctrl policy(data.qpos, data.qvel) ctrl_history.append(ctrl) # 应用延迟 if len(ctrl_history) delay: data.ctrl[:] ctrl_history[-delay] else: data.ctrl[:] ctrl mujoco.mj_step(model, data)这段代码的关键是randomize_domain函数它在每个 episode 开始时随机化模型参数。delay_steps模拟电机通信延迟通过缓存历史控制量实现。训练 10000 个 episode 后策略对参数变化的鲁棒性会显著提升。验证迁移效果的方法是在仿真里用随机化参数跑 100 次站立测试统计成功率。如果成功率超过 90%再上真机。真机测试时先用吊架保护逐步放开。我自己的习惯是真机第一次测试永远用吊架哪怕仿真里已经 100% 成功。这个后悔药吃过一次就再也不敢省了。希望帮到你。本文还有配套的精品资源点击获取