优必选人形机器人运动控制工程师面试题精选

ZHHHHH15

93人浏览 · 2026-05-18 09:45:00

ZHHHHH15 · 2026-05-18 09:45:00 发布

整理自优必选（UBTECH）Walker系列人形机器人技术体系与行业高频考点，聚焦双足平衡、步态规划、全身协同等核心方向。

一、运动学与动力学基础（2题）

第1题：请你详细描述一下人形机器人逆运动学（IK）的求解过程，优必选Walker有36个自由度，你是怎么处理冗余自由度的？

考察点： IK理论深度、冗余自由度处理策略、数值解法 vs 解析解法

参考答案：

逆运动学就是从末端位姿反算各个关节角度的过程。Walker有36个自由度，每条腿6个自由度、每只手7个、灵巧手4个、头部2个，这是一个典型的高冗余系统。

求解IK主要有两条路：

解析法——对特定构型推导封闭解，速度快、精度高，但通用性差。比如某些6轴臂可以用Pieper准则解耦，把位置和姿态分开算。但是Walker这种全身构型，解析法基本搞不定，构型一变就得重新推。

数值法——更通用，常见的有：

雅可比伪逆法：根据末端速度 δx = J·δq，用雅可比矩阵的伪逆求解 δq = J⁺·δx，然后迭代逼近目标。
阻尼最小二乘法（DLS / Levenberg-Marquardt）：在伪逆基础上加了阻尼项，解决雅可比矩阵奇异时解发散的问题，公式是 J⁺ = Jᵀ(JJᵀ + λ²I)⁻¹。
二次规划（QP）法：把IK建模成带约束的最优化问题，可以额外加关节限位、碰撞避免等约束。

怎么处理冗余自由度？——这才是面试重点

冗余自由度本身不是麻烦，反而是优势——问题在于怎么利用它。常见策略：

零空间投影法：核心公式是 q̇ = J⁺·ẋ + (I - J⁺J)·q̇₀

- 第一项J⁺·ẋ，保证主任务（末端跟随目标）

- 第二项是零空间投影，在保证主任务的前提下，利用冗余自由度去做次优任务，比如保持关节舒适性、避障、优化力矩分配

任务优先级分层：用层级任务框架（比如Salisbury的严格优先级），高优先级任务先解，低优先级任务的求解只能在零空间中进行

在Walker实际落地上——Tavily资料显示优必选采用组件化、松耦合的算法架构，不同运动模式由上层APP Manager调度。实际面试中可以提一句：优必选北研所的实时控制系统里，IK模块以1000Hz跑在核心控制环中，用到了QP求解器做冗余自由度优化，同时把关节限位、力矩约束都放进求解器里。

第2题：请推导人形机器人的拉格朗日动力学方程。在Walker这种双足机器人上，为什么浮动基座动力学和固定基座（如机械臂）有本质区别？

考察点：动力学建模扎实程度、浮动基座 vs 固定基座的理解

参考答案：

先推导一下：

拉格朗日量 L = T - V，T是动能，V是势能。对于n自由度的机器人，广义坐标q ∈ ℝⁿ，动力学方程为：

d/dt (∂L/∂q̇) - ∂L/∂q = τ

展开写成标准形式：

M(q)q̈ + C(q, q̇)q̇ + G(q) = τ + JᵀF_ext

其中：

M(q) 是 n×n 惯性矩阵
C(q,q̇) 是科里奥利力和离心力项
G(q) 是重力项
τ 是关节驱动力矩
JᵀF_ext 是外力/力矩映射到关节空间的项

浮动基座 vs 固定基座的本质区别：

机械臂固定在底座上，基座不动。但人形机器人的脚没有固定在地面上——基座（躯干）是"浮"在空中的，跟地面之间通过脚和地面的接触力来交互。

这就导致了两个关键区别：

第一，广义坐标组成不同：

固定基座：q ∈ ℝⁿ，就是关节角度
浮动基座：q = [q_b; q_j]，其中q_b ∈ SE(3)是基座（躯干）的位姿（6个自由度），q_j是关节角度。浮动的基座多出来6个自由度的"虚拟关节"

第二，动力学方程的结构不同：

浮动基座的M(q)矩阵不再是正定的——因为没有跟地面刚性连接，基座有6个自由度的"欠驱动"部分，这体现为惯性矩阵的零空间。你没法像机械臂那样直接给基座施加力矩。

实际控制时，双足机器人只能通过脚底和地面的接触反力来间接控制躯干的运动。这就是为什么双足平衡问题这么难——它本质上是一个欠驱动系统的约束控制问题，而且接触状态还在单脚支撑、双脚支撑之间来回切换。

参考优必选Walker的架构：其脚底嵌入了六维力传感器，实时测量地面反作用力，通过力反馈来估计躯干的状态，再用MPC或WBC做闭环补偿。这也是为什么优必选在招人时明确要求"多刚体动力学建模能力"。

二、步态规划与ZMP稳定性（3题）

第3题：详细解释ZMP（零力矩点）稳定性准则。优必选Walker采用ZMP做稳定控制，你能说出它的物理含义和局限吗？

考察点： ZMP底层理解、优缺点认知、实际工程sense

参考答案：

ZMP的物理含义：

ZMP全称Zero Moment Point，中文叫零力矩点。定义是：地面上这样一个点，该点处地面反作用力对机器人产生的水平方向的合矩为零。

简单说就是——你把机器人受到的惯性力、重力、所有外力的合力算出来，往地平面投影，那个投影点就是ZMP。

ZMP稳定判据： ZMP必须落在支撑多边形（Support Polygon）内部。

双脚支撑时，支撑多边形是两个脚掌和之间连线围成的凸包
单脚支撑时，支撑多边形就是单只脚掌的轮廓

如果ZMP跑到多边形外边去了，脚掌就会翻转，机器人就摔了。

Walker用的就是这条准则——Tavily搜索到优必选官网明确写了"Walker采用实时步态规划，基于ZMP等传统控制算法保障稳定性"。

ZMP的局限（面试加分点）：

只适用于平坦地面——ZMP的前提是地面足够硬、足够平，有明确的支撑多边形。上楼梯、走碎石路，ZMP就不太好用
静态/准静态假设——严格来说ZMP是"不翻转"的条件，对剧烈动态动作（跑步、跳跃）约束太强，会导致步态偏保守
没法处理柔性交互——比如人被撞了会通过身体柔顺地调整，ZMP理论本身不提供"怎么调"的指导

怎么补？实际工程中，Walker架构上用的是多层防护：

离线规划层用ZMP做步态设计
在线控制层用力反馈+MPC做动态补偿
上层还有自平衡抗干扰算法（Push Recovery）

第4题：请介绍线性倒立摆模型（LIPM）与Capture Point（捕获点）理论。在Walker的实际步态规划中，你是怎么处理地面不规则性的？

考察点： LIPM模型理解、Capture Point、地形自适应策略

参考答案：

线性倒立摆模型（LIPM）：

人形机器人行走时可以简化成一个倒立摆——全身质量集中在质心（CoM），腿等效成一个可变长度的无质量连杆，脚底和地面是点接触。

加一个关键假设：质心高度恒定。这就是LIPM的"线性"之处。在这个假设下，水平方向的动力学解耦成了两个独立的线性微分方程：

ẍ_CoM = (g / z_c) · (x_CoM - x_ZMP) ÿ_CoM = (g / z_c) · (y_CoM - y_ZMP)

g是重力加速度，z_c是质心高度常数。这个方程可以解析求解——把质心轨迹和ZMP轨迹的关系用一个封闭形式表达出来。

Capture Point（落脚点）：

Capture Point是LIPM框架下提出的概念，指这样一个点：如果机器人把脚踩到Capture Point上，就能完全吸收当前动量，使机器人静止下来。

公式是：CP = x_CoM + v_CoM / ω₀，其中 ω₀ = √(g/z_c)

有了CP，步态规划就变成了"选落脚点"的问题——只要让脚落在CP附近，人形机器人在这一步就能稳定停下来。这个思想很自然地扩展到了Push Recovery（受扰动后的恢复控制）。

Walker的地形适应性处理：

Tavily资料显示，Walker能适应20°斜坡、15cm台阶、厚地毯和碎石路面。这里面涉及的策略包括：

自适应斜坡行走算法——通过IMU和足部力传感器实时检测地面坡度，动态调整躯干姿态和踝关节角度，让脚底尽量贴合地面
摆动腿运动避障规划——摆动腿在空中时，用传感器探测障碍，规划腿部的运动轨迹绕过障碍再落地
质心高度自适应算法——不维持固定z_c了，而是根据地形调节质心高度，比如上楼梯时主动抬高
脚掌姿态控制——Walker脚掌有独立的姿态控制算法，在不平整地面上主动调整脚掌的俯仰和翻滚角，增大有效接触面积

第5题：机器人行走过程中受到横向推力（比如有人从侧面推了一把），Push Recovery有哪些策略？优必选Walker怎么实现抗干扰的？

考察点：平衡恢复策略、实际工程经验

参考答案：

Push Recovery本质上是"怎么重新选择落脚点和调整躯干姿态才能不倒"。主流策略分三层：

第一层：踝关节策略（Ankle Strategy）

如果扰动比较小，不动上身也不动脚，只靠踝关节力矩产生恢复力矩。相当于你站着被人轻轻碰一下，脚脖子使劲扛住了。

优点是响应快，缺点是力矩有限——踝关节能提供的力矩有上限，超过这个上限就扛不住了。

第二层：髋关节策略（Hip Strategy）

扰动更大一些时，髋关节主动发力，摆动上肢和躯干来产生反方向的惯性力矩，相当于你站稳了之后甩胳膊来保持平衡。

Walker在做这个的时候，双臂并不是闲着——也可以通过上肢摆动产生额外的动量补偿。

第三层：迈步策略（Step Strategy）

扰动大到踝和髋都扛不住了，那就迈一步，通过改变落脚点来重新建立稳定域。

这时候Capture Point就有用了——根据当前速度和ZMP的位置算出CP，然后决定脚踩到哪。

Walker的抗干扰能力：Tavily资料提到，Walker在RoboCup技术挑战赛的Push Recovery项目中拿到第三名，能够承受一定质量的重物撞击并在原地踏步中保持平衡。此外，Walker还具备单脚承受冲击后保持平衡的能力。

工程上Walker实现的细节：

足底六维力传感器实时测量地面反作用力
IMU测量躯干姿态和角速度
1000Hz的控制频率保证快速响应
多层控制器叠加：踝关节策略做细调，迈步策略做大范围修正

三、力控制（2题）

第6题：谈谈力/位混合控制（Hybrid Force-Position Control）的原理。在人形机器人的实际工作场景中（比如端茶倒水、拧瓶盖），你如何设计控制器？

考察点：力/位混合控制理解、任务分解能力

参考答案：

力/位混合控制的核心思想：

在机器人的操作空间中，把每个自由度按照任务需求分成两个正交的子空间——位置控制子空间和力控制子空间。

约束条件告诉你在哪个方向该控位置、哪个方向该控力。比如擦桌子：垂直桌面方向控力（维持一定压力），水平方向控位置（沿着桌面移动）。

数学上用一个选择矩阵S来区分：S对角线上1代表这一维做位置控制，0代表做力控制。控制器输出就是两个子空间控制量的加权求和。

人形机器人拧瓶盖的场景怎么设计：

首先做任务分解，建立操作约束模型：

手抓瓶盖：径向控力（不能捏碎也不能滑脱），切向控力矩（施加扭转力）
手臂输出：需要同时做位置跟踪（手要跟着瓶盖转）和力矩控制（施加扭转力矩）
躯干/下半身：力控过程中会有反作用力传到躯干，下半身必须做位置/姿态保持

实际控制架构如下：

外层：检测瓶盖类型、松紧程度，算出所需的轴向拉力F_des和扭转力矩τ_des
中层：在笛卡尔空间做力/位分解——绕着瓶盖轴线方向是力控（施加扭转力矩），其他方向是位置控（保持跟瓶盖对齐）
内层：通过雅可比映射到关节空间，在关节层面做力矩补偿

Walker手臂有7个自由度，还有力传感器，恰恰具备做这种精细力控的硬件基础。而且Tavily资料提到，优必选在力控方面有专门的柔性控制算法，能实现末端柔顺控制，完成按摩、拧瓶盖等任务。

面试中可以补充一句：实际调试中最头疼的是力控和位控的切换时机——比如拧瓶盖拧到最后一圈的时候，力控突然变成空载，如果不及时切换到位置控，手臂就会猛地冲出去。这个切换逻辑需要反复实验调参。

第7题：简述阻抗控制（Impedance Control）的原理。它跟力/位混合控制有什么区别？人形机器人跟人交互时（比如握手），你选哪个？

考察点：阻抗控制理解、控制策略对比、应用场景判断力

参考答案：

阻抗控制的核心思想：

不直接控力，也不直接控位置——而是控"力和位置之间的动态关系"。

把机器人的末端等效成一个质量-弹簧-阻尼系统：

M · Δẍ + B · Δẋ + K · Δx = F_ext

Δx = x_actual - x_desired：实际位置和期望位置的偏差
M是虚拟质量，B是虚拟阻尼，K是虚拟刚度
F_ext是外部施加的力

你可以调这三个参数来改变机器人的"软硬"程度：

刚度K调小→机器变软→顺应外部力
阻尼B调大→运动变粘→吸收冲击

跟力/位混合控制的区别：

| 维度 | 力/位混合控制 | 阻抗控制 |

|------|-------------|---------|

| 控制目标 | 某些方向严格控位置，某些方向严格控力 | 控位置偏差和外力的关系 |

| 切换方式 | 硬切换（S矩阵确定方向） | 无切换，连续调节 |

| 对外力响应 | 力控方向主动跟踪目标力 | 柔顺地"让开" |

| 适合场景 | 磨削、擦洗等需要精确力控制的任务 | 人机交互、未知环境接触 |

选型建议：人机交互场景用阻抗控制

为什么？因为人机交互（比如握手）你根本不知道对方会怎么动——他的力、速度、位置都是不确定的。

力/位混合控制要求你事先知道哪些方向控力、哪些控位置，这个你没法提前定。

阻抗控制的好处是：你不需要知道具体力的大小，只需要把机器人的"阻抗"设对——调低刚度、调高阻尼，机器人就会自然地顺应人的动作，既不会僵着不动让人不舒服，也不会软趴趴的失控。

优必选Walker在柔顺物理交互这块做了专门优化——Tavily资料提到Walker具备"全身柔顺控制，感应外力冲击"的能力，这就是阻抗控制的工程实现。Walker在做柔性安全交互时，控制器实时检测外力并调整各关节的阻抗参数，确保人机互动安全。

四、全身协同控制（2题）

第8题：说说全身协同控制（Whole-Body Control，WBC）的框架。人形机器人控制里，WBC和传统分而治之（腿部一个控制器、手臂一个控制器）有什么区别？

考察点： WBC框架理解、对比分析、实际案例

参考答案：

WBC的核心思想：

全身协同控制，核心是把机器人所有自由度（含基座浮动自由度）纳入一个统一框架，同时处理多个任务，用优先级或加权的方式求解，最终统一输出每个关节的力矩指令。

WBC的数学框架：

标准WBC的构建流程：

任务定义：把每个任务表达成关节空间的加速度约束——A·q̈ = b

- CoM运动任务：J_cm · q̈ = ẍ_cm_des

- 脚掌接触任务：J_foot · q̈ = 0（保持不动）

- 手臂末端任务：J_hand · q̈ = ẍ_hand_des

- 姿态保持任务：J_torso · q̈ = ω̇_torso_des

求解：把上述任务按优先级排序（Contact > CoM > 姿态 > 末端操作），用层级QP求解，输出最优加速度 q̈*
映射到力矩：用逆动力学 τ = M(q)q̈ + C(q,q̇)q̇ + G(q) + JᵀF_ext 算出力矩

WBC vs 分而治之：

传统做法把上半身和下半身分开——腿部控制器管走路和平衡，手臂控制器管抓取操作。这样开发简单，各团队可以并行。

但是出现了一个致命问题：当手臂做操作时，反作用力会通过躯干直接传导到下半身。两个控制器各自为政，没人管这个耦合。结果就是——人形机器人一抬重物就摔，一推门就倒。

WBC解决了这个问题：所有任务都在同一个优化器里求解，自然考虑到了交互力和关节力矩的耦合。

优必选Walker的实践：

Tavily资料显示，优必选在算法架构上：

1000Hz核心控制环：处理状态估计、全身控制器输出
200Hz规划环：做步态规划、动作规划
1Hz/0.1Hz长期规划

WBC跑在1000Hz这一层，接收上层规划的轨迹、接触状态、任务优先级，统一求解关节力矩。同时Walker的41个伺服关节、全身力传感器都接入反馈，构成了闭环。

优必选招聘JD里明确写了"熟悉MPC、WBC等优化控制算法开发经验"，说明WBC是Walker的核心技术栈。

第9题：人形机器人在执行全身操作任务时（比如"双手推开门的同时，双脚保持平衡并跟随门移动"），你怎么构建任务优先级？实际操作中，WBC的求解器有哪些常见坑？

考察点：任务优先级设计、工程实际问题排查

参考答案：

任务优先级构建：

按照"越安全、越基础的任务优先级越高"的原则，典型层级如下：

| 层级 | 任务 | 说明 |

|------|------|------|

| 最高 | 接触约束 | 脚底不能滑、不能脱离地面 |

| 高 | CoM运动 | 保持质心在支撑多边形内 |

| 中高 | 躯干姿态 | 保持上身稳定 |

| 中 | 双手末端操作 | 推门的位置和力 |

| 低 | 关节舒适性 | 避免关节极限 |

| 最低 | 零空间优化 | 能耗最小化 |

推门这个具体场景：

阶段1（刚接触门）：双手接触门表面，控力（建立稳定的接触力，让手不要滑脱）
阶段2（推门过程）：双手末端跟着门开合轨迹走（位置控），同时下肢通过脚底力传感器感知身体重心的偏移，动态调整髋关节和踝关节
阶段3（门开到位）：切换回姿态保持，机器人静止

WBC求解器的常见坑：

任务冲突导致无解：当高优先级任务本身不可行时（比如接触约束要求脚不能动，但受力更大要求脚必须迈步），低优先级任务直接得不到控制资源。解法：对接触约束加松驰变量，允许在极端情况下"软约束"。
QP求解器的实时性问题：自由度越多，优化变量越多。Walker几十个自由度，任务再几十个，QP规模不小。解法：利用问题的稀疏结构（如Hessian矩阵的块对角特性）加速求解，或者用主动集法（Active Set）替代内点法。
模型误差放大：WBC依赖精确的动力学模型。一旦模型参数不准（比如负载变了、关节摩擦变了），矩控制出问题。解法：加鲁棒项，或者用基于力传感器的外部扰动估计做前馈补偿。
接触状态的硬切换：从单脚支撑切换到双脚支撑时，动力学模型瞬间变化，WBC的输出会出现冲击。解法：引入接触状态的平滑过渡（类似混合系统的处理），或者用基于接触力的软约束过渡。

优必选Walker在RoboCup中遇到的"对抗激烈导致摔倒"的问题就是个典型案例——比赛中机器人间碰撞频繁，WBC需要同时处理来自多个方向的冲击力，接触状态频繁切换。Walker凭借1000Hz的高频控制环和力传感器反馈，能够在这类复杂场景下维持稳定性。