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。

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。

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。

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。