一、四足机器人步态类型与相位分析四足机器人的步态按触地序列和占空比β（单腿支撑时间/步态周期）分类：
| 步态 | 占空比β | 速度 | 触地腿数 | 典型频率 | Walk（行走） | >0.75 | 低速 | ≥3 | 1~2Hz | Trot（对角小跑） | 0.5~0.6 | 中速 | 2（对角） | 2~4Hz | Pace（同侧溜蹄） | 0.5 | 中速 | 2（同侧） | 2~3Hz | Bound（跳跃） | <0.5 | 高速 | 0~2 | 3~5Hz | Gallop（奔跑） | <0.5 | 最高速 | 0~1 | 4~6Hz |
每条腿在一个周期内的触地相位由相位变量φ∈[0,1]描述，取值为φ_i=(t/T)+φ_offset,i。以Trot为例，左前(LF)与右后(RH)同相(φ=0触地→β站立)，右前(RF)与左后(LH)反相(φ=0.5触地)，形成对角支撑交替模式。步态切换需保证相位连续性，否则产生冲击。
二、ZMP稳定性判据零力矩点（ZMP）定义为地面上切向力矩为零的点。对于质量为m、质心加速度为a_c的机器人，ZMP坐标由下式确定：
xzmp = xc - (zc/g)·ẍc，yzmp = yc - (zc/g)·ÿc 稳定性判据：ZMP严格落在支撑多边形（凸包）内时，机器人动态平衡，脚底不翻转。支撑多边形由当前触地足的足底接触点构成的凸包定义——Trot步态下为对角两足的连线（面积为零），因此Trot本质为动态不稳定步态，需通过迈步频率高于倒立摆固有频率来保持稳定。
三、线性倒立摆模型（LIPM）LIPM将四足机器人简化为质心高度恒定zc的倒立摆，动力学方程简化为：ẍc=(g/zc)·(xc-xzmp)。给定当前质心状态和期望ZMP位置，可解析求解轨道能量E=½ẋc²-½(g/zc)(xc-xzmp)²，据此预测质心运动并规划落脚点：当轨道能量超过捕获点(Capture Point)时，机器人无法原地停止，必须向前迈步以"捕获"动量。Capture Point的计算公式ξ=xc+ẋc·√(zc/g)，为落脚点规划提供了简洁的解析准则。
四、MPC模型预测控制框架现代四足机器人广泛采用凸MPC进行实时力控：将机器人单刚体动力学+离散时间步构成状态空间模型xk+1=A·xk+B·fk，其中x=[θ,p,ω,ṗ]T含姿态、位置、角速度、线速度共13维，fk为各足端三维地面反力（12维）。每个控制周期将预测时域N（典型10~20步）内的QP优化问题：
min Σ(||xk-xref||²Q+||fk||²R) s.t. fk∈摩擦锥, 摆动腿fk=0 转化为QP标准型后用qpOASES或OSQP在线求解（<3ms），所得最优力通过雅可比转置映射为关节力矩，驱动12个关节实时跟踪，可在不平整地形和外部扰动下稳定行走。
五、全身控制WBC分层架构WBC将控制任务按优先级分解：高优先级保证动力学可行性（接触约束、关节限位、力矩限幅），以零空间投影将低优先级任务投影到高优先级零空间内，确保底层约束不被破坏。常用QP-WBC混合架构：QP层求解满足物理约束的最优地面反力与关节加速度，WBC层将加速度指令映射为关节力矩τ=M(q)·q̈+K·e+D·ė+Coriolis，实现多任务并行执行——如同时完成躯干姿态跟踪、足端力分配和摆动腿轨迹跟踪。
六、基于强化学习的步态策略近年来，深度强化学习在四足步态控制中取得突破：在NVIDIA Isaac Gym中以8000+环境并行训练PPO策略，输入为关节角度/角速度/IMU/足端接触力等42维观测，输出为12维关节位置增量。奖励函数设计为速度跟踪误差+能耗惩罚+姿态偏离惩罚+足端滑移惩罚的加权组合。策略收敛后（约1.5小时/10亿步经验），通过域随机化（质量±20%、摩擦系数0.2~1.5、地形高度0~0.3m）提升泛化性，直接部署到实物可实现<5分钟零样本迁移（Zero-shot Transfer），在楼梯、碎石、斜坡等复杂地形上自适应行走。
七、MIT Cheetah 3与宇树B2方案对比| 特性 | MIT Cheetah 3 | 宇树B2 | | 驱动方式 | 定制高扭矩密度PMSM+单级行星减速 | 自研M107关节电机+谐波减速器 | | 传感器 | 关节编码器+IMU+足端接触开关 | 关节编码器+IMU+足端力传感器 | | 控制策略 | 凸MPC(50Hz)+WBC(1kHz) | MPC+RL混合(RL策略主导,MPC安全兜底) | | 最高速度 | 3.0 m/s (Bound) | 6.0 m/s | | 自重/载荷 | 42kg / 10kg | 60kg / 20kg | | 续航 | ~2h (行走) | ~4h (行走) |
Cheetah 3以极简硬件验证了MPC+WBC纯基于模型的方法的极限性能；宇树B2则商业化地融合了RL学习步态，在速度、载荷和复杂地形适应性上全面领先，代表了当前四足机器人的工程化最高水准。
——全文约1200字 | 
