从遥控玩具到工业级四足机器人：核心技术栈与运动控制算法实战

1. 背景与核心概念：从“玩具”到“独角兽”的技术跨越

最近，机器人赛道的一则新闻引发了广泛关注：宇树科技（Unitree Robotics）冲刺IPO，其早期投资者“一签赚35万”的传闻不胫而走。更引人深思的是，其创始人王兴兴曾被投资人直白地问过：“你们是遥控玩具公司吗？” 这个问题，恰恰点出了四足机器人（或称“机器狗”）领域从技术探索到商业落地过程中，外界最普遍的认知鸿沟与核心挑战。

对于技术开发者而言，这不仅仅是一个商业故事，更是一个绝佳的技术观察窗口。宇树科技本质上是一家以高性能伺服关节、运动控制算法与整机系统集成为核心的高科技公司。其产品，如Go1、B1、H1等系列四足机器人，远非简单的“遥控玩具”。它们集成了实时操作系统（RTOS）、模型预测控制（MPC）、全身动力学控制（WBC）、Sim-to-Real迁移学习等一系列前沿机器人技术。

核心解决的问题是让机器人在复杂、非结构化的现实环境中实现稳定、敏捷、高动态的运动。这与玩具级的遥控车或预编程舞蹈机器人有本质区别。玩具的执行是开环或简单闭环的，而宇树的机器人需要应对地面打滑、突然的推力、未知障碍等扰动，通过每秒上千次的计算，实时调整每条腿的力矩和位置，以保持平衡并完成指令。

常见的应用场景正在从实验室和展厅走向实地：

• 工业巡检：在变电站、矿山、隧道等危险或人力难以持续工作的环境进行自动巡查。
• 科研教育：为高校和研究院所提供高性能、开源的机器人平台，用于算法开发与验证。
• 安防救援：搭载摄像头、传感器，进入灾后废墟、核污染区域进行侦查。
• 商业服务与娱乐：在特定场景下的导览、陪伴、互动表演等。

作为开发者，理解其背后的技术栈和实现原理，不仅能看清行业趋势，更能为自身在嵌入式系统、控制算法、机器学习、传感器融合等方向的学习与实践提供明确的目标和宝贵的案例参考。本文将深入拆解支撑这类高端机器人“站起来、跑起来”的关键技术模块，并通过模拟代码和架构分析，揭示其与“遥控玩具”的天壤之别。

2. 技术栈与环境准备

要理解或着手开发类似宇树机器人的核心技术模块，需要构建一个跨学科的技术栈环境。以下是一个面向开发者学习和仿真的推荐环境配置，请注意，真实机器人开发还需要硬件在环（HIL）等更复杂的设置。

1. 操作系统与中间件

• 主控操作系统：Linux (Ubuntu 20.04/22.04 LTS) 或 Robot Operating System (ROS/ROS2)。ROS提供了机器人软件开发的通信、工具和库框架，是事实上的标准。宇树官方也提供了ROS驱动包。
• 实时需求：对于低延迟、高确定性的关节控制，通常需要在x86或ARM主控板之外，使用运行实时操作系统（RTOS）的微控制器（如STM32系列）来直接驱动电机。常用RTOS包括FreeRTOS或Zephyr。

2. 核心编程语言

• C++：性能关键组件的首选，如状态估计、运动控制、动力学计算算法。需要熟悉C++11/14/17标准，以及面向实时系统的编程实践。
• Python：用于算法原型设计、仿真、数据分析、高层任务逻辑和机器学习部分。是快速验证想法的主要工具。
• CMake：作为C/C++项目的构建系统，管理复杂的依赖和编译流程。

3. 仿真与开发工具

• 仿真环境：Gazebo或Isaac Sim。Gazebo与ROS集成度高，开源免费；Isaac Sim基于NVIDIA Omniverse，在图形渲染和物理仿真精度上更强大，尤其适合Sim-to-Real研究。宇树官方提供了机器人在Gazebo中的仿真模型。
• 数学与算法库：
  • Eigen：C++模板库，用于线性代数、矩阵和向量运算，是机器人状态估计和控制算法的基石。
  • PyBullet：一个Python的物理仿真库，常用于强化学习训练机器人控制策略。
• 机器学习框架：PyTorch或TensorFlow。用于训练感知、决策或端到端的运动控制神经网络模型。

4. 硬件抽象与通信

• 通信协议：CAN总线是机器人内部关节控制器与主控计算机之间高速、可靠通信的主流协议。需要了解CAN帧结构及高层协议（如CANopen）。
• 电机与传感器：理解伺服电机（舵机）的力矩、位置、速度三环控制，以及IMU（惯性测量单元）、关节编码器、足端力传感器的数据融合。

示例项目结构（仿真开发环境）：

quadruped_robot_sim/ ├── CMakeLists.txt ├── package.xml (ROS) ├── src/ │ ├── control/ # 运动控制算法 │ │ ├── mpc_controller.cpp │ │ └── wbc_controller.cpp │ ├── estimation/ # 状态估计（如机器人姿态、速度） │ │ └── state_estimator.cpp │ ├── hardware/ # 硬件抽象层（CAN通信、电机驱动模拟） │ │ └── robot_interface.cpp │ └── utils/ # 数学工具、滤波器等 │ └── math_utils.cpp ├── config/ # 控制器参数、机器人模型参数 │ └── robot_params.yaml ├── launch/ # ROS启动文件 │ └── sim_controller.launch ├── scripts/ # Python脚本，用于训练、数据分析 │ └── train_policy.py └── urdf/ # 机器人模型描述文件 └── a1.urdf (类似宇树A1的简化模型)

3. 核心原理与技术拆解：为何不是“遥控玩具”？

“遥控玩具”的指令流是单向或简单反馈的：遥控器信号 -> 电机执行。而高级四足机器人的控制是一个复杂的分层闭环系统。下面我们拆解几个核心模块。

3.1 分层控制系统架构

一个典型的四足机器人控制系统分为至少三层：

1. 高层决策层（任务层）：用Python/C++实现，运行在Linux/ROS上。负责解析用户指令（如“前进”、“跳跃”），进行全局路径规划，生成期望的机体运动轨迹（如身体质心的速度、位置、姿态）。
2. 中层运动控制层（轨迹跟踪层）：这是核心算法所在。接收期望轨迹，结合机器人当前状态（由状态估计模块提供），计算出为了跟踪该轨迹，每条腿的足端接触力或足端运动轨迹。常用算法有模型预测控制（MPC）和全身动力学控制（WBC）。
3. 底层关节控制层（执行层）：运行在RTOS上。接收中层计算出的足端力或位置，通过逆运动学（IK）转换为12个关节（每条腿3个）的期望角度或力矩，并通过PID或阻抗控制等算法，驱动伺服电机精确执行。同时，读取关节编码器和电流传感器反馈，形成最内层的闭环。

3.2 关键算法：模型预测控制（MPC）简析

MPC是让机器人动作看起来“顺滑”和“前瞻”的关键。它不像PID只根据当前误差调整，而是基于机器人动力学模型，预测未来一小段时间（预测时域）内的系统行为，并通过优化求解出一系列最优的控制输入（足端力），只执行第一步，然后在下个周期重新预测优化，形成滚动优化。

简化概念示例（Python伪代码逻辑）：

import numpy as np from scipy.optimize import minimize class SimpleQuadrupedMPC: def __init__(self, dt=0.02, horizon=10): self.dt = dt # 控制周期，如0.02秒（50Hz） self.horizon = horizon # 预测步长，预测未来10步 self.mass = 20.0 # 机器人质量 (kg) self.g = 9.81 # 重力加速度 def dynamics_model(self, state, force): """ 简化的质心动力学模型：线性倒立摆（LIP） """ x, vx = state # 状态：[位置, 速度] # 动力学方程: dv/dt = force / mass acceleration = force / self.mass new_vx = vx + acceleration * self.dt new_x = x + new_vx * self.dt return np.array([new_x, new_vx]) def cost_function(self, force_sequence, current_state, target_trajectory): """ 优化目标函数：跟踪目标轨迹，同时最小化控制力 """ total_cost = 0.0 state = current_state.copy() for i in range(self.horizon): # 1. 施加控制力，更新状态 force = force_sequence[i] state = self.dynamics_model(state, force) # 2. 计算跟踪误差成本（希望机器人的位置接近目标） target_pos = target_trajectory[i] tracking_error = state[0] - target_pos total_cost += tracking_error**2 * 100 # 权重 # 3. 计算控制力成本（希望用力尽量小、平滑） total_cost += force**2 * 0.1 # 权重 if i > 0: total_cost += (force_sequence[i] - force_sequence[i-1])**2 * 1.0 # 平滑性权重 return total_cost def solve(self, current_state, target_trajectory): """ 求解最优控制力序列 """ # 初始猜测：控制力序列为零 initial_guess = np.zeros(self.horizon) # 定义优化问题边界（电机出力有限） bounds = [(-100, 100)] * self.horizon # 假设每个力在±100N内 result = minimize( self.cost_function, initial_guess, args=(current_state, target_trajectory), bounds=bounds, method='SLSQP' # 序列二次规划法 ) optimal_forces = result.x # 只返回第一步的控制力用于执行 return optimal_forces[0] # 使用示例 mpc = SimpleQuadrupedMPC() current_state = np.array([0.0, 0.5]) # 当前位置0m，速度0.5m/s # 目标轨迹：未来10步，希望走到位置1.0m target_traj = np.linspace(0.0, 1.0, 10) optimal_force = mpc.solve(current_state, target_traj) print(f"当前步最优足端推力: {optimal_force:.2f} N")

代码解释：

• 这个极度简化的MPC只控制了机器人质心在一维方向上的运动。
• dynamics_model模拟了机器人的物理响应。
• cost_function定义了优化目标：既要紧跟目标位置，又要节省“力气”，并且控制力不能突变。
• solve方法使用优化器求解未来一段时间内最优的力序列，并采用第一个力。
• 在真实机器人中，状态是13维（姿态四元数+位置+线速度+角速度），控制输入是12个关节力矩，模型是复杂的非线性全身动力学，求解需要更高效的求解器（如ACADO、OSQP）。

3.3 状态估计：机器人的“内感受”

机器人没有眼睛（仅依赖本体传感器时），它如何知道自己的身体是倾斜了10度还是20度？这依赖于状态估计。通过融合IMU（加速度计、陀螺仪）和关节编码器的数据，利用扩展卡尔曼滤波（EKF）或互补滤波器，实时估算出机器人的姿态、速度、位置（漂移不可避免）。这是所有控制算法的基础输入，估计不准，控制就会失效。

3.4 Sim-to-Real迁移学习

在仿真中训练出的完美控制器，直接部署到真机上往往会失败，因为仿真无法完全模拟真实的摩擦、电机延迟、传感器噪声等。Sim-to-Real技术通过在仿真中引入域随机化（随机化物理参数、视觉纹理、延迟等），训练出具有强鲁棒性的策略，使其能适应真实世界的“不完美”。这是当前让机器人学习复杂技能（如快速奔跑、后空翻）的主流方法。

4. 完整实战案例：在仿真中实现四足机器人的步态控制

让我们在ROS和Gazebo中，为一个简化版四足机器人实现一个基本的对角步态（Trot）控制器。这将串联起URDF模型、ROS节点、简单的逆运动学和控制循环。

4.1 创建机器人URDF模型

首先，我们需要一个机器人的描述文件。创建一个urdf/my_quadruped.urdf文件，描述机器人的连杆和关节。

<?xml version="1.0"?> <robot name="simple_quadruped"> <link name="base_link"> <inertial> <origin xyz="0 0 0" rpy="0 0 0"/> <mass value="5.0"/> <inertia ixx="0.1" ixy="0" ixz="0" iyy="0.1" iyz="0" izz="0.1"/> </inertial> <visual> <geometry> <box size="0.6 0.2 0.1"/> </geometry> <material name="blue"> <color rgba="0 0 0.8 1"/> </material> </visual> <collision> <geometry> <box size="0.6 0.2 0.1"/> </geometry> </collision> </link> <!-- 定义一条腿（FR-右前腿）的关节和连杆，其他三条腿类似 --> <joint name="FR_hip_joint" type="revolute"> <parent link="base_link"/> <child link="FR_hip_link"/> <origin xyz="0.25 -0.1 0" rpy="0 0 0"/> <axis xyz="0 0 1"/> <limit lower="-1.57" upper="1.57" effort="100" velocity="10"/> </joint> <link name="FR_hip_link"> ... </link> <joint name="FR_thigh_joint" type="revolute"> <parent link="FR_hip_link"/> <child link="FR_thigh_link"/> <origin xyz="0 0 0" rpy="0 1.57 0"/> <axis xyz="0 0 1"/> <limit lower="-2.0" upper="2.0" effort="100" velocity="10"/> </joint> <link name="FR_thigh_link"> ... </link> <joint name="FR_calf_joint" type="revolute"> <parent link="FR_thigh_link"/> <child link="FR_calf_link"/> <origin xyz="0 -0.2 0" rpy="0 0 0"/> <axis xyz="0 0 1"/> <limit lower="-2.5" upper="0.5" effort="100" velocity="10"/> </joint> <link name="FR_calf_link"> <visual> <geometry> <cylinder length="0.001" radius="0.02"/> </geometry> <material name="red"> <color rgba="0.8 0 0 1"/> </material> </visual> </link> <!-- 重复定义FL（左前），RR（右后），RL（左后）腿 --> </robot>

4.2 创建ROS包与控制器节点

创建一个ROS包，并编写一个Python控制器节点scripts/trot_controller.py。

#!/usr/bin/env python3 import rospy import math import numpy as np from sensor_msgs.msg import JointState from trajectory_msgs.msg import JointTrajectory, JointTrajectoryPoint class TrotGaitController: def __init__(self): rospy.init_node('trot_gait_controller') # 定义12个关节的名称（按顺序：FL, FR, RL, RR，每条腿：hip, thigh, calf） self.joint_names = [ 'FL_hip_joint', 'FL_thigh_joint', 'FL_calf_joint', 'FR_hip_joint', 'FR_thigh_joint', 'FR_calf_joint', 'RL_hip_joint', 'RL_thigh_joint', 'RL_calf_joint', 'RR_hip_joint', 'RR_thigh_joint', 'RR_calf_joint' ] # 发布关节位置命令 self.pub = rospy.Publisher('/joint_trajectory_controller/command', JointTrajectory, queue_size=10) # 步态参数 self.swing_height = 0.08 # 摆动相抬腿高度 (m) self.step_length = 0.15 # 步长 (m) self.stance_height = -0.25 # 站立相腿长 (m)，相对于髋关节 self.cycle_time = 1.0 # 完整步态周期 (s) self.phase_offset = 0.5 # 对角腿相位差 (0.5个周期) self.time = 0.0 # 控制频率 self.rate = rospy.Rate(100) # 100Hz # 逆运动学参数（简化，假设腿在侧面运动平面） self.leg_origin = { # 髋关节相对于机体中心的坐标 (x, y, z) 'FL': ( 0.25, 0.1, 0), 'FR': ( 0.25, -0.1, 0), 'RL': (-0.25, 0.1, 0), 'RR': (-0.25, -0.1, 0) } self.upper_leg_length = 0.2 self.lower_leg_length = 0.2 def inverse_kinematics(self, leg_id, foot_target_local): """ 简化2D逆运动学：将足端目标点（在髋关节坐标系下）转换为三个关节角度 """ x, y, z = foot_target_local # 简化计算，忽略y方向运动（hip关节负责yaw） # 计算 thigh 和 calf 关节角度（在 sagittal plane） L = math.sqrt(x**2 + z**2) if L > (self.upper_leg_length + self.lower_leg_length): rospy.logwarn(f"目标点超出腿长范围: {L}") L = self.upper_leg_length + self.lower_leg_length - 0.01 # 使用余弦定理 cos_calf = (L**2 - self.upper_leg_length**2 - self.lower_leg_length**2) / (2 * self.upper_leg_length * self.lower_leg_length) cos_calf = max(min(cos_calf, 1.0), -1.0) # 钳制 calf_angle = math.acos(cos_calf) # thigh 角度 alpha = math.atan2(z, x) beta = math.asin(self.lower_leg_length * math.sin(math.pi - calf_angle) / L) thigh_angle = alpha - beta # hip 角度（简单映射y） hip_angle = y * 2.0 # 一个简单的比例映射 return hip_angle, thigh_angle, calf_angle - math.pi/2 # 调整calf零位 def generate_foot_trajectory(self, leg_id, t): """ 为单条腿生成足端轨迹（局部坐标系） """ phase = t / self.cycle_time phase_in_cycle = phase % 1.0 # 对角步态：FL和RR一组，FR和RL一组，相位差0.5 if leg_id in ['FL', 'RR']: group_phase = phase_in_cycle else: group_phase = (phase_in_cycle + self.phase_offset) % 1.0 # 摆动相和支撑相判断 swing_phase = 0.4 # 40%周期为摆动 if group_phase < swing_phase: # 摆动相：腿抬起、前摆、落下 swing_progress = group_phase / swing_phase x = -self.step_length/2 + self.step_length * swing_progress z = self.swing_height * math.sin(swing_progress * math.pi) else: # 支撑相：腿向后推地，身体前进 stance_progress = (group_phase - swing_phase) / (1 - swing_phase) x = self.step_length/2 - self.step_length * stance_progress z = self.stance_height y = 0.0 # 简化，侧向运动为0 return np.array([x, y, z]) def run(self): rospy.loginfo("Trot Gait Controller Started.") while not rospy.is_shutdown(): self.time += 0.01 # 假设控制周期0.01s traj_msg = JointTrajectory() traj_msg.joint_names = self.joint_names point = JointTrajectoryPoint() point.positions = [0.0] * 12 # 为每条腿计算关节角度 for i, leg_id in enumerate(['FL', 'FR', 'RL', 'RR']): foot_local = self.generate_foot_trajectory(leg_id, self.time) # 将足端点从髋关节坐标系转换（此处简化，直接使用） hip_angle, thigh_angle, calf_angle = self.inverse_kinematics(leg_id, foot_local) # 填充到对应关节 base_idx = i * 3 point.positions[base_idx] = hip_angle point.positions[base_idx + 1] = thigh_angle point.positions[base_idx + 2] = calf_angle point.time_from_start = rospy.Duration(0.1) # 期望在0.1秒内到达该位置 traj_msg.points.append(point) self.pub.publish(traj_msg) self.rate.sleep() if __name__ == '__main__': try: controller = TrotGaitController() controller.run() except rospy.ROSInterruptException: pass

4.3 配置Gazebo仿真与控制器

创建launch文件launch/sim_quadruped.launch来启动Gazebo和加载控制器。

<launch> <!-- 启动Gazebo空世界 --> <include file="$(find gazebo_ros)/launch/empty_world.launch"> <arg name="paused" value="false"/> <arg name="use_sim_time" value="true"/> <arg name="gui" value="true"/> <arg name="headless" value="false"/> <arg name="debug" value="false"/> </include> <!-- 将URDF模型加载到参数服务器 --> <param name="robot_description" textfile="$(find my_quadruped_control)/urdf/my_quadruped.urdf" /> <!-- 在Gazebo中生成机器人模型 --> <node name="spawn_urdf" pkg="gazebo_ros" type="spawn_model" args="-param robot_description -urdf -model simple_quadruped -z 0.5" /> <!-- 加载关节状态控制器配置 --> <rosparam file="$(find my_quadruped_control)/config/joint_state_controller.yaml" command="load"/> <!-- 加载轨迹控制器配置 --> <rosparam file="$(find my_quadruped_control)/config/joint_trajectory_controller.yaml" command="load"/> <!-- 启动控制器管理器并加载控制器 --> <node name="controller_spawner" pkg="controller_manager" type="spawner" respawn="false" output="screen" args="joint_state_controller joint_trajectory_controller"/> <!-- 运行我们编写的步态控制器节点 --> <node name="trot_controller" pkg="my_quadruped_control" type="trot_controller.py" output="screen"/> </launch>

需要创建对应的控制器配置文件config/joint_trajectory_controller.yaml:

joint_trajectory_controller: type: position_controllers/JointTrajectoryController joints: - FL_hip_joint - FL_thigh_joint - FL_calf_joint - FR_hip_joint - FR_thigh_joint - FR_calf_joint - RL_hip_joint - RL_thigh_joint - RL_calf_joint - RR_hip_joint - RR_thigh_joint - RR_calf_joint constraints: goal_time: 0.1 stopped_velocity_tolerance: 0.01 state_publish_rate: 50 action_monitor_rate: 20

4.4 运行与验证

1. 构建工作空间:

   cd ~/catkin_ws catkin_make source devel/setup.bash

2. 启动仿真:

   roslaunch my_quadruped_control sim_quadruped.launch

3. 观察结果：如果一切正常，你将在Gazebo中看到一个盒状的四足机器人，并开始执行对角步态（Trot），在原地“踏步”或缓慢移动。

4.5 结果说明

这个案例实现了一个开环的步态生成器。它没有状态反馈，没有平衡控制，也没有真正的动力学。机器人可能会摔倒，因为仿真环境有重力，而我们的控制器没有根据身体姿态进行调整。但这清晰地演示了从步态时序规划 -> 足端轨迹生成 -> 逆运动学 -> 关节位置命令的完整控制流水线。这与“遥控玩具”的单一指令直达电机有着本质区别。要让机器人真正稳定行走，需要将本例中的generate_foot_trajectory替换为第3.2节中提到的MPC或WBC控制器，并接入状态估计模块提供的实时身体姿态和速度信息。

5. 常见问题与排查思路

在开发四足机器人系统时，无论是仿真还是真机，都会遇到一系列典型问题。

6. 最佳实践与工程建议

要将四足机器人从Demo推进到稳定可用的产品级系统，需要遵循一系列工程最佳实践。

1. 软件架构与代码规范

• 模块化与松耦合：严格分离状态估计、运动控制、步态规划、硬件驱动等模块。使用ROS的topic/service或自定义的IPC进行通信。这样便于单独测试、调试和替换算法。
• 实时性分级：将对实时性要求极高的关节伺服控制（kHz级别）放在RTOS上运行；将高层规划和控制（百Hz级别）放在带PREEMPT_RT补丁的Linux或专用实时核上；将UI、日志等非实时任务放在普通Linux进程。
• 配置参数外部化：所有控制器增益、滤波器参数、步态参数、极限值都应放在YAML或JSON配置文件中，严禁硬编码在代码里。这允许在不重新编译的情况下快速调整参数，对系统调试至关重要。
• 全面的日志与数据记录：使用ROS bag或自定义二进制格式，记录所有传感器数据、控制指令、中间状态和调试信息。复现问题时，数据回放是最高效的调试手段。

2. 控制算法开发

• 从简单到复杂：先实现静态站立和重心调整，再实现简单的交替步态（Walk），最后尝试动态步态（Trot, Pace, Gallop）。每一步都要在仿真中充分验证稳定性。
• 仿真与真机并行：建立持续集成（CI）流程，任何算法修改都必须在仿真中通过自动化测试（如行走X米不摔倒）。但仿真不能替代真机测试，真机测试需在安全防护下进行。
• 安全第一，设置软硬限位：在软件层为关节角度、速度、力矩设置保守的软限位，并在电机驱动层设置硬限位，防止意外损坏机械结构。

3. 状态估计与传感器融合

• 不要完全信任任何一个传感器：IMU有漂移，关节编码器有累积误差，视觉/激光SLAM会丢失。必须使用滤波器（如EKF, UKF, Complementary Filter）进行融合。针对四足机器人，接触检测是关键的观测量，通过足端力传感器或电流估计来判断腿是否着地，能极大提升状态估计精度。

4. 通信与中间件

• 选择合适的通信协议：关节级控制用CAN/CANopen；主控与计算单元间用千兆以太网（UDP+自定义协议或DDS/ROS2）；调试信息用Wi-Fi/4G。确保带宽和延迟满足要求。
• 注意时序同步：多个传感器（如IMU、相机）的时间戳必须严格同步。使用PTP或GPS时钟，或在硬件触发时打上统一的时间戳。

5. 测试与部署

• 分阶段测试：
  1. 单关节测试（电机驱动、PID）。
  2. 单腿测试（逆运动学、力控）。
  3. 静态站立与重心移动。
  4. 平面步态行走。
  5. 不平整地面行走。
  6. 动态运动（小跑、跳跃）。
• 故障安全与恢复：设计状态监控器，实时检测电机过热、通信中断、姿态异常（倾角过大）等故障，并立即触发安全停止或恢复策略（如趴下）。
• 能源管理：实时监控电池电压和电流，在低电量时限制运动性能，并规划返回充电点的路径。

回到最初的问题：“你们是遥控玩具公司吗？” 答案显然是否定的。一个遥控玩具的核心是遥控指令的直达和简单的反馈，而一个高级四足机器人的核心，是一套极其复杂的、多层的、基于模型的、实时反馈的自主控制系统。它涉及精密的机械设计、高性能的伺服驱动、鲁棒的状态估计、先进的控制理论以及强大的计算平台。从开源仿真的步态控制到真机上的疾驰跳跃，中间隔着无数个需要攻克的技术细节与工程难题。