这是什么
运动控制研究的是，如何根据机器人状态、任务目标和系统约束，生成能在真实系统上执行的控制输出，让机器人持续完成稳定运动。
🦿 运动控制总览
运动控制是人形机器人系统真正落地的骨架层。它负责把模型、状态、约束、任务目标和执行器能力组织成稳定、可执行、可部署的运动行为。
1. 模块定位
它处于哪一层
它位于机器人系统的执行核心层，承上连接状态估计、规划、学习策略，承下连接电机、驱动器、关节和接触力。
它主要解决什么
核心不是“让关节动起来”，而是在浮动基、多接触、强约束、实时性要求和外部扰动下，依然让机器人稳定地产生身体行为。
2. 为什么重要
它决定系统有没有落点
无论前面是感知、规划、强化学习还是模仿学习，最后都必须通过控制层变成真实动作，没有这一层，前面的智能基本悬空。
它决定你是不是只会调参
如果控制骨架不清楚，后面看 RL / IL 很容易停留在 reward、网络、超参数层面，难以真正理解行为从哪来。
它决定可解释性和可部署性
运动控制是理解稳定性、约束、接触、执行边界和实时性的核心入口，也是把仿真结果推向真实系统的关键中间层。
它最适合建立结构化闭环
从建模、仿真、分析到实验验证，运动控制特别适合形成“问题建模 → 方法实现 → 行为分析”的学习闭环。
3. 核心问题
运动学与动力学建模
明确机器人怎么运动、力怎么传递、状态变量如何演化，是后续控制与优化的前提。
状态估计
控制首先要回答“机器人现在到底处于什么状态”，尤其在人形系统里，接触、IMU、关节编码器和外界扰动都会影响估计质量。
轨迹跟踪与反馈稳定
控制要在模型不完美和扰动存在时，持续把系统拉回任务目标附近，而不是只在理想模型里好看。
约束与接触处理
接触切换、摩擦锥、关节极限、执行器饱和、可行接触力分布，都是人形机器人控制里的硬约束。
全身协调
不是只管腿或者只管躯干，而是把平衡、摆臂、足端接触、上身姿态和任务优先级一起组织起来。
平衡与步态生成
双足 locomotion 的难点不在于关节会动，而在于重心、支撑域、动量和接触切换能否稳定协同。
4. 核心方法脉络
经典反馈控制
PID、PD、阻抗控制帮助建立最基础的闭环直觉，是理解更复杂控制结构的入口，而不是过时内容。
模型驱动控制
从逆运动学、逆动力学到 LQR，重点是利用系统结构把控制问题写清楚，而不是只做经验调参。
最优控制与 MPC
把目标函数、动力学预测和约束显式纳入控制问题，适合处理轨迹优化、接触切换和短期预测。
QP-WBC / TSID
通过二次规划和任务层次结构处理多目标、多约束和全身协调，是人形控制系统的关键中枢之一。
Learning-augmented Control
学习方法不是替代控制，而是可以在建模不足、复杂接触和高维策略设计困难时增强控制系统能力。
5. 前置知识
必备基础
线性代数、微积分、刚体运动、坐标变换、运动学、动力学、控制基础。
建议补充
概率统计、状态估计、数值优化、接触动力学、最优控制、机器人软件工具链。
最容易卡住的地方
刚体运动和动力学不牢，会直接导致看 humanoid locomotion / WBC 论文时像在看黑话。
最值得先补的能力
不是先背大公式，而是先把“系统状态、任务目标、约束、反馈”这几个控制语言建立起来。
6. 与其他模块的关系
与强化学习
强化学习常常在控制骨架之上学习更复杂、更高维或更难手写的策略。控制直觉越强，越能看懂 RL 为什么有效、什么时候会失效。
与模仿学习
模仿学习可以更快注入动作先验，但最终动作能不能执行、稳不稳定、会不会伤机，还是要落回控制可执行性。
与仿真和 sim2real
控制模型和执行器建模是否合理，会直接决定策略是否可迁移、调参效率是否可接受、真机表现是否稳。
7. 面向人形机器人的特殊性
浮动基与高自由度
人形机器人不是固定底座机械臂，整机自由度高，导致建模、估计和控制耦合显著增强。
多接触与切换接触
双足行走本身就包含支撑切换，后续再叠加手部支撑、复杂地形、多接触交互，系统难度会迅速上升。
平衡问题极其突出
任何动作都不能脱离平衡与恢复能力来谈，控制器不仅要能动，还要能持续不摔。
实时性和鲁棒性要求更狠
控制输出要能跟上系统节拍，同时承受模型误差、延迟、噪声、地面变化和外界扰动。
8. 推荐学习路径
阶段 1：补机器人学骨架
先把刚体运动、运动学、动力学打通，建立控制系统的基本语言。
阶段 2：建立反馈控制直觉
通过 PD / PID / LQR 之类方法，真正理解闭环、误差、反馈和稳定性。
阶段 3：切入最优控制与全身控制
开始看 MPC、QP、WBC、TSID，把目标、约束和多任务结构引入脑子里。
阶段 4：进入 humanoid locomotion 语境
重点理解质心动力学、步态控制、平衡恢复、接触切换和系统级控制框架。
9. 推荐资料
理论课程
Underactuated Robotics、Robot Dynamics、Optimal Control 等理论主线课程。
工具
Pinocchio、MuJoCo、Isaac Lab / Isaac Gym、Drake 等工具适合做最小闭环实验。
论文方向
WBC、TSID、Centroidal Dynamics、Humanoid Locomotion、State Estimation、Learning-based Control。
Theory 总入口
项目内理论课程索引，适合先看课程全貌，再决定先补哪条主线。
Optimal Control 课程笔记
CMU 16-745 课程学习记录，覆盖 Equilibria、Stability、MPC、Trajectory Optimization、Legged Robots 等主线。
Robot Dynamics 课程笔记
机器人动力学课程学习记录，适合补充浮动基动力学、正逆动力学和动力学建模直觉。
Underactuated Robotics 课程笔记
MIT Underactuated Robotics 课程记录，特别适合补 locomotion、平衡和欠驱动系统思维。
Robotic Manipulation 课程笔记
虽然更偏操作，但对刚体运动、接触、抓取与控制建模也有帮助，适合做横向补充。
人形机器人运动控制 Know-How
从发展趋势、学习路线到 Sim2Real 问题，整理了人形机器人控制的核心解决思路。
10. 常见误区
误区 1
把运动控制理解成“调 PID”。控制问题远不止局部跟踪，而是系统建模、约束处理、接触组织和整机协调。
误区 2
只学公式，不关心系统结构。这样一旦进入 humanoid 或 sim2real 场景，很快就会失去判断力。
误区 3
以为 RL / IL 能跳过控制。实际上学习方法往往更依赖控制理解，否则只能停在“能跑起来”的黑箱层。
11. 建议下一步阅读顺序
先打骨架
先看 Robot Dynamics 和 Underactuated Robotics，把动力学、欠驱动、平衡这些基本语言建立起来。
再补控制与优化
接着看 Optimal Control 和 Intro and Dynamics Review，把建模、稳定性、MPC 和轨迹优化接到控制语境里。
最后进入工程语境
再看 人形机器人运动控制 Know-How，然后跳到 WBC vs RL 和 Sim2Real Pipeline，把理论和人形系统问题连起来。
12. 一句话总结
运动控制是把“机器人会动”真正变成“机器人能稳定、可解释、可部署地动”的核心骨架。