看了那个全球人形机器人大赛练习赛的摔倒合集

视频里那几个重心不稳、膝盖一软就跪下去的片段，刷完第一反应不是好笑，是心疼膝盖关节驱动器。大家平时在实验室看 Unitree H1 或优必选 Walker S 跑酷、上楼梯，那是在毫米波雷达+深度相机全覆盖、地面平整度误差控制在 3mm 以内的「作弊环境」里跑出来的策略。一旦拉到户外沥青路面、有缝隙的盲道砖、甚至轻微的侧向坡度，状态估计器的方差立马炸开，MPC 预测窗口里的接触力约束直接失效。

一、控制频率跟不上物理世界的「硬接触」
实验室里常用 1kHz 甚至 2kHz 的全身控制器，下到实机受限于总线带宽（EtherCAT 环路延迟、CAN FD 仲裁丢包），腿部关节级力控回路往往只能跑 500Hz 左右。这 1-2ms 的延迟差，在机器人以 1.5m/s 向前冲、单脚着地冲击峰值超过 3 倍体重的瞬间，足够让零力矩点（ZMP）跑出支撑多边形。视频里几个「脚踩空→躯干前倾→膝盖屈曲吸收能量→扭矩饱和→跪地」的完整链条，教科书级别的欠驱动动力学灾难现场。

二、感知端的「盲区」比算法更致命
大多数队伍还在用激光 SLAM + 视觉里程计融合做地形重建，更新频率 10-20Hz，分辨率 5cm。但户外路面的细碎石子、积水反光、树影斑驳，全是深度图的噪声源。身高 1.8m 的机器人，头顶激光雷达离地面 1.6m，最近 0.5m 盲区根本看不清脚下那块翘起 2cm 的盲道砖。等视觉语义分割（SegFormer/DeepLabv3+）把「可通行区域」跑出来传给步态规划器，早已延迟 200ms+，脚早落地了。

三、别光盯着摔的，站住的才是真硬核
同场练习里能稳住节奏跑完全程的那几台，大概率没上视频。它们要么在踝关节塞了系列弹性执行器（SEA）做被动顺应，要么在 MPC 里显式建模了地面不平度作为不确定集合做鲁棒优化（Tube MPC 或 Chance-Constrained MPC）。傅利叶 GR-1 这次如果上了全身力控+自适应步态生成，大概率能少摔几跤——当然前提是散热顶得住。

现在的比赛规则允许「人工复位」扣分继续跑，这其实掩盖了真实部署最核心的指标：MTBF（平均无故障时间）。把摔倒概率从 10% 压到 0.1%，靠的不是调 PID 增益，而是重构整个「感知-决策-控制