想象一位阅兵指挥官站在检阅台侧面，手里没有喇叭、没有脚本，却要在同一瞬间管住几百号人：整个方阵必须“对正标齐”——前后左右一条线，这是队形的底线；第一排士兵要举枪敬礼，动作必须整齐划一；第二排的旗帜要在同一高度挥舞。更棘手的是，士兵做这些动作时身体会不由自主地歪斜，一歪就会带乱整个排面。指挥官必须让每个人在完成个人动作的同时，下意识地调整脚步、收腹、挺胸，把队形重新归位。人形机器人面对的局面如出一辙：它要走路，要伸手取物，要弯腰搬东西，但无论做什么，绝不能摔倒。这个“绝对不摔”就是队形的底线，其他动作都得在不破坏底线的前提下去完成。全身运动控制（Whole-Body Control, WBC），就是那个在每一毫秒同时指挥所有“士兵”（关节）的指挥官。这篇文章，我们就用阅兵指挥官的视角，把WBC的核心思想、数学框架、工程难点一次看清楚。
学完WBC，你便握住了人形机器人“走路不摔、同时做事”的核心钥匙。无论做控制算法、任务规划还是具身智能系统设计，这都是绕不开的底层能力。
可视化演示
本节配有交互动效（进入视口后自动加载，约 3KB）。
任务优先级栈与零空间投影 ▶ 执行中 QP二次规划：多约束优化求解 QP标准形式 零空间投影 N(J) = I - J^T(JJ^T)^{-1}J s.t. lb
定义与目标
阅兵指挥官从来不是只喊一句“齐步走”就完事。他同时盯住几十个排面、几百名士兵——谁慢了半步、谁的枪举高了两厘米、谁的脚尖没绷直，全都得管；更关键的是，这些调整必须同时发生，不可能等所有人先站齐、再挨个举枪。人形机器人的处境一模一样：要盯着“重心不能偏出脚掌”这件头等大事，还要让左手去够杯子、右腿往前迈步，所有这些任务都挤在同一个瞬间，由同一组关节去完成。
传统做法是给每个关节单独设计控制器，就像指挥官先把队伍解散，再派几个班长分头去喊口令——结果班长的命令互相打架，队形反而乱了。WBC的思路完全不同：它把所有任务放进一个统一的数学框架，一次性求出一组关节指令，让不同任务在同一个身体上共存。这里的“全身”二字意味着任务定义在躯干、四肢甚至指尖上，最终都映射到所有关节。比如“保持重心”这个任务，不仅用到踝关节，还可能需要髋关节、膝盖甚至手臂去配合。
WBC最朴素的目标函数可以写成加权误差平方和：
回到阅兵台：指挥官不需要挨个士兵去喊“你向左半步、你收腹”，他只需在脑中快速算出“哪个排面误差最大、怎么微调全局最优”，然后一条口令传下去，整支队伍同时做出最协调的反应。WBC正是机器人版的“全局指挥官”。
- 任务数量$N$ 是任务总数，比如平衡任务、手臂任务、步态任务加在一起共有 $N$ 个。WBC把所有任务放在同一个算式里，正是“统一求解”的数学体现。
- 任务雅可比矩阵$\mathbf{J}_i$ 是任务 $i$ 的雅可比矩阵，它把关节速度映射到任务空间速度——相当于“翻译官”，把关节转动翻译成重心移动或指尖移动。
- 期望任务速度$\dot{\mathbf{x}}_i^{*}$ 是任务 $i$ 的期望速度，即“我们想让手往哪边动、想让重心待在哪”，由上层规划给出。
- 权重与前缀$w_i$ 是任务权重，$\left\| \mathbf{J}_i \dot{\mathbf{q}} - \dot{\mathbf{x}}_i^{*} \right\|^2$ 表示实际效果与期望效果的误差平方——WBC要找的，就是让这些误差加权之和最小的 $\dot{\mathbf{q}}$。
任务优先级
阅兵场上有一条心照不宣的铁律：队形永远比个人动作重要。哪怕某个士兵的举枪动作再标准，如果他会因此撞到旁边的队友，指挥官也会让他放弃动作、先保队形。WBC同样给任务排了座次，而“保持平衡”永远坐在第一把交椅上——因为它直接决定机器人会不会摔倒。
在多任务框架里，“优先级”可以实现为两种风格。第一种叫“加权式”：给平衡任务一个大权重，给手臂任务一个小权重。这就像指挥官嘴上说“队形更重要”，但两边还是同时喊，谁嗓门大谁占上风——缺点是有时队形仍会被大嗓门之外的声音带偏。第二种叫“分层式”：先用全部“决策资源”满足队形，再在剩余的自由度中做手臂动作。这才是阅兵的真实逻辑——队列是硬约束，动作是软任务。
分层WBC的经典做法是零空间投影。假设已经求出一组满足最高优先级任务（平衡）的关节速度 $\dot{\mathbf{q}}_1$，那么在这基础上还可以叠加一个“不破坏平衡”的修正量 $\mathbf{N}_1 \dot{\mathbf{q}}_2$，其中 $\mathbf{N}_1$ 是平衡任务的零空间投影矩阵：
指挥官心里那张“优先顺序表”大致是：平衡 > 步态支撑 > 躯干姿态 > 手臂操作 > 表情/末端小动作。手部任务再花哨，也只能在平衡这个“硬天花板”之下找空间。走路时想挥手，可以；单脚站立时想大幅摆臂，不行——因为零空间里已经没有富余的自由度了。
- 基解$\dot{\mathbf{q}}_1$ 是单独满足平衡任务得到的基础解，它保证机器人的重心不动摇，是“队形底线”的数学化身。
- 零空间投影矩阵$\mathbf{N}_1$ 矩阵把任何关节速度投影到“不影响平衡”的子空间里，相当于给低优先级任务划出一条“安全通道”。
- 伪逆$\mathbf{J}_1^{+}$ 是平衡任务雅可比矩阵的伪逆（$\mathbf{I}$ 是单位矩阵），用它构造出与任务行空间正交的投影方向。
- 低优先级修正$\dot{\mathbf{q}}_2$ 是手臂或其他任务的解，但它经过 $\mathbf{N}_1$ 过滤后，无论怎么动都不会干扰平衡——就像士兵侧身穿过人群时推不到人。
优化模型
阅兵指挥官要在几秒内完成大量心算：哪个排面歪了 2 厘米、倾斜代价多大、调多少人、用什么节奏去调。这个“心算”在数学上就是求解一个优化问题。WBC 把全身协调写成二次规划（QP）：目标函数是二次的（误差平方和），约束是线性的（关节限位、力矩上限），求解器在毫秒级给出最优关节指令。
二次规划的标准形式可以写成：
如果把 WBC 比作指挥官的心算账本，那么每个任务都是一行“账目”，每一项误差都是“亏损”。指挥官的直觉是：先确保大头（平衡）不亏，再在余力范围内把其他账做得漂亮。优化求解器做的就是这件事——在几千毫秒内翻完这本账，找出亏损最小的方案。这也是为什么很多时候 WBC 会被称为“全身优化控制”：它在字面意义上就是一个每周期求解一次的实时优化器。
- 优化变量$\mathbf{x}$ 是待求解的关节加速度或力矩向量——它是 WBC 最终输出到每个电机上的“行动命令”。
- 代价权重矩阵$\mathbf{Q}$ 是半正定矩阵，融合了任务雅可比与权重，放大重要任务的误差代价，缩小次要任务的代价。
- 线性项$\mathbf{c}$ 由任务期望值与雅可比乘积构成，它“牵着”优化结果朝期望的任务方向走。
- 等式约束$\mathbf{A}_{eq} \mathbf{x} = \mathbf{b}_{eq}$ 用来强制满足动力学的硬关系，比如脚底不打滑、躯干加速度与地面反作用力一致。
- 边界约束$\mathbf{x}_{lb}, \mathbf{x}_{ub}$ 是每个关节的位置、速度、力矩安全范围——就像阅兵队列两侧的警戒线，越界即淘汰。
ZMP方法对比
在 WBC 出现之前，人形机器人走路靠的是另一套看家本领——ZMP（零力矩点）方法。它的形象很像“脚印检查员”：检查员只盯住一个关键指标——地面反作用力合力的作用点（ZMP 点）是否落在脚掌支撑多边形内。只要在，就判定安全；不在，就马上报警。这种方法把整个人形压缩成一个“倒立摆”，用几行公式判断稳不稳，简单而高效。
ZMP 的核心计算公式如下，它描述的是地面反作用力水平分量与重力、惯性力的平衡关系：
ZMP 方法几十年来的成功，是因为它在规划层非常高效：预先把落脚点规划到安全区域，机器人照着走基本不会倒。但它的短板也很明显——检查员只有“脚印”这一个指标，无法回答“我能不能一边走路一边伸手够东西”这样的多任务问题。WBC 的优势正在于，它把全身动力学和多个任务都装进同一个优化里，可以从容处理“弯腰捡东西时保持稳定”这类 ZMP 方法难以覆盖的场景。两者不是简单的替代关系，而是各管一段：ZMP 适合做规划层的安全判据，WBC 适合做执行层的全身协调。
- 质块质量$m_i$ 是把身体拆成若干质块后第 $i$ 块的重量。身体不再是“一根杆”，而是一堆质点的合成。
- 高度与加速度$x_i, z_i$ 是第 $i$ 块质心的水平和垂直位置；$\ddot{x}_i, \ddot{z}_i$ 是对应的加速度，表示这个质块在空间中的运动状态。
- 重力项$g$ 是重力加速度，公式在竖直方向引入重力，使整条算式反映“力矩平衡”的真实物理含义。
- 分母与整体意义分母是所有质块的“等效重量”，分子是这些质块产生的倾倒力矩，二者相除就得到地面反作用力合力的落点——零力矩点。
WBC与MPC
阅兵不是临时起意的即兴表演。真正的大阅兵前，指挥官带着方阵一遍遍演练，提前预测队形会在哪个弯道松散、哪个排面容易抢拍，并在演练中把路线、节奏全部定好。这套“提前演算”在机器人控制里对应MPC（模型预测控制）：它用一个简化动力学模型，预测未来几十毫秒到几百毫秒的状态，反复优化输出落脚点与重心轨迹。而到了正式阅兵那一刻，指挥官站上指挥台随机应变，靠的则是另一套临场反应——这就是 WBC，它把 MPC 给出的期望轨迹当作“剧本”，以每秒上千次的频率即时跟踪，同时应对突发的推搡、台阶高低变化。MPC 看长远，WBC 管当下，两者级联配合：MPC 输出期望落脚点与重心轨迹，WBC 负责在全身层面精确实时跟踪。
MPC 的优化目标通常是这样的（它也是一类优化问题，只是预测了未来多个时刻）：
在实际系统中，MPC 通常用简化的线性倒立摆或质点模型，跑在 50–200 Hz；WBC 用完整的全身动力学模型，跑在 500–1000 Hz。这正好对应阅兵的“排练”与“现场”：排练时用沙盘推演，现场靠对讲机临场调度。没有 MPC，WBC 会变得短视，每一步都像在走钢丝；没有 WBC，MPC 的精细计划也落不到实处——因为负责执行的身体不听使唤。
- 预测步数$N$ 是 MPC 的预测时域长度，代表向前看多少步。$N$ 越大，看得越远，但计算量也越大。
- 状态向量$\mathbf{x}_{k+1}$ 是预测的第 $k+1$ 步系统状态（如重心位置、速度），$\mathbf{x}^{\mathrm{ref}}_{k+1}$ 是对应的参考状态，来自上层任务规划。
- 状态权重$\left\| \mathbf{x} \right\|_{\mathbf{Q}}^2 = \mathbf{x}^{T} \mathbf{Q} \mathbf{x}$ 是带权重的平方范数，$\mathbf{Q}$ 惩罚状态偏离参考的程度——偏离越远，代价越高。
- 控制量惩罚$\mathbf{u}_k$ 是第 $k$ 步的控制输入（支撑腿的力、落脚点位置），$\mathbf{R}$ 惩罚“每次改动太大”，防止机器人动作过猛。
工程实现难点
指挥官站在检阅台上，真正的麻烦不是战术，而是现实：士兵会疲惫、对讲机会延迟、风声会盖过口令。人形机器人的 WBC 落地同样面对三个拦路虎，每一个都是阻碍工程落地的大山。
第一座山是算力。 WBC 要求每个控制周期（通常是 1kHz，即 1 毫秒）内完成一次全身优化求解。机器人几十个关节意味着优化变量可能上百个，二次规划求解器必须在这个毫秒级窗口内算完。于是有了这个硬性不等式：
第二座山是模型误差。 WBC 的优化依赖全身动力学模型，但质心位置、转动惯量、摩擦系数都只是近似值；加上负载变化（手里拿的东西不同）和关节磨损，模型很快“失真”。模型一失真，优化给出的指令就会偏离现实，导致机器人做出别扭甚至危险的补偿动作。
第三座山是传感器噪声。 平衡判断依赖 IMU（惯性测量单元）、关节编码器、足底力传感器。IMU 有漂移，编码器有量化噪声，足底力传感器更是出了名的“爱跳变”。噪声进入优化问题后，关节指令会高频抖动，就像指挥官听到一个总在变形的报告，很难做出稳定决策。工程上常用卡尔曼滤波、状态估计器和鲁棒优化来消化这些问题。
阅兵指挥官的成长，从来不是靠背熟一本战术手册，而是在一次次演练中把误差、噪声、延迟统统纳入直觉。WBC 的工程实现，拼的也正是这种“带着不完美去行动”的能力：算力不够就优化求解器，模型不准就现场标定，传感器吵就上滤波。理解了这三大难点，才算真正理解 WBC 离“实验室爆款”到“工厂量产”之间的距离。
- 控制频率$f_c$ 是控制频率，单位 Hz。1kHz 意味着机器人每 1 毫秒要拿到一组新的关节指令，低于这个频率身体就会“卡顿”。
- 求解耗时$T_{\mathrm{solve}}$ 是求解优化问题消耗的时间，包含矩阵组装与 QP 求解，是整条链路里的大头消耗。
- 通信耗时$T_{\mathrm{io}}$ 是传感器读取、总线传输、指令下发的总耗时，哪怕只有几十微秒，在 1 毫秒的预算里也相当可观。
- 整体含义不等式规定——算得快、传得快，才配得上 1kHz 的控制需求。任何一环超时，控制周期就要放宽，机器人反应就会变迟钝。
AI 应用场景
具身智能仓储搬运
阶段：机器人运动控制与执行
解决的问题：传统机器人抓取重物时必须先停稳、再伸臂，效率低下且在移动中抓取容易摔倒。WBC 让机器人在行走的同时伸出双臂抓取，实时调整腿部与躯干姿态补偿重心偏移。
具体案例：某电商仓储的人形机器人从货架取 2kg 箱子。当它伸出右臂抓箱的瞬间，WBC 检测到重心前移，同步命令左腿后撤半步、躯干微倾，将重心始终锁在脚掌支撑多边形内，整个过程行走不停顿，比传统“停-抓-走”模式效率提升 40%。
人形机器人迎宾与互动
阶段：运动规划与人机交互
解决的问题：迎宾机器人需要一边挥手、一边应对游客的意外触碰。突发外力会导致重心偏移，处理不当就会摔倒。WBC 将“保持平衡”设为最高优先级，在检测到外力瞬间指挥腰部与踝关节反向补偿。
具体案例：商场里的迎宾机器人正在与小朋友互动挥手。一名游客不经意间从侧面轻推它的肩膀，WBC 在 50ms 内感知到重心偏移，迅速命令髋关节内收、踝关节侧倾，机器人像太极大师一样稳住身形，随即若无其事地继续挥手——整个过程自然流畅。
助老外骨骼康复辅助
阶段：人机共生控制
解决的问题：老人穿戴外骨骼上楼梯时，腿部发力不均极易侧倾。WBC 思路将“患者微弱发力意图”作为低优先级任务，在“保持整体平衡”的高优先级约束下放大助力，避免代偿动作引发跌倒。
具体案例：助老外骨骼在老人抬腿跨越 15cm 台阶时，WBC 层优先保证身体重心稳定，再在零空间内放大髋关节助力。若老人发力不对称，系统自动削减患侧助力而加大健侧补偿，让每一步都稳稳当当。
Python 演示
import numpy as np class HierarchicalWBC: """分层全身运动控制示例：平衡任务优先，手部任务在零空间内执行""" def __init__(self, n_joints=6): self.n = n_joints # 平衡任务的雅可比矩阵：关节速度 -> 重心速度 self.J_bal = np.array([ [1.0, 0.5, 0.1, 0.0, 0.0, 0.0], [0.0, 0.2, 0.8, 0.5, 0.1, 0.0], ]) # 手部任务的雅可比矩阵：关节速度 -> 手部速度 self.J_hand = np.array([ [0.0, 0.1, 0.3, 0.8, 0.6, 0.2], [0.0, 0.0, 0.2, 0.4, 0.7, 0.5], ]) def solve(self, x_bal_des, x_hand_des): # 第1步：最小二乘满足平衡任务（最高优先级） q1 = np.linalg.lstsq(self.J_bal, x_bal_des, rcond=None)[0] # 第2步：构造平衡任务的零空间投影矩阵 J_pinv = np.linalg.pinv(self.J_bal) N = np.eye(self.n) - J_pinv @ self.J_bal # 第3步：在零空间内最小化手部任务误差 residual = x_hand_des - self.J_hand @ q1 dq = np.linalg.lstsq(self.J_hand @ N, residual, rcond=None)[0] return q1 + N @ dq def run_demo(self): x_bal_des = np.zeros(2) # 期望重心速度为零（保持不动） x_hand_des = np.array([1.5, -1.0]) # 期望手部向右下移动 q = self.solve(x_bal_des, x_hand_des) bal_err = np.linalg.norm(self.J_bal @ q - x_bal_des) hand_err = np.linalg.norm(self.J_hand @ q - x_hand_des) print("=== 分层WBC示例 ===") print("关节速度指令:", np.round(q, 4)) print("平衡任务误差:", round(bal_err, 6)) print("手部任务误差:", round(hand_err, 6)) print("结论: 平衡误差接近0，手部任务在可用空间内尽量逼近") if __name__ == "__main__": HierarchicalWBC().run_demo()
q1 = np.linalg.lstsq(self.J_bal, x_bal_des, rcond=None)[0]先用最小二乘求一组满足平衡任务的关节速度，相当于“指挥官先保队形”。J_pinv = np.linalg.pinv(self.J_bal)计算平衡任务雅可比矩阵的伪逆，这是构造零空间投影的前提。N = np.eye(self.n) - J_pinv @ self.J_bal构建零空间投影矩阵，把后续动作限制在“不影响平衡”的子空间内。residual = x_hand_des - self.J_hand @ q1算出基础解下手部任务还差多少，需要在零空间里补多少。dq = np.linalg.lstsq(self.J_hand @ N, residual, rcond=None)[0]在零空间内求手部任务的最优修正量，“见缝插针”做动作。return q1 + N @ dq合成最终关节速度：既满足平衡底线的硬要求，又尽力完成手部软任务。
常见误区
误区我以为 WBC 就是在每个电机上装一个 PID 控制器，各自参数调好，机器人自然就全身协调了。为什么还要搞什么“统一优化”？
正解PID 是关节级别的局部反馈，它只管“这个关节转到位没有”，完全不知道“重心在哪、会不会倒”。WBC 是任务级别的全局优化，任务定义在重心、手部、躯干等任务空间，再通过雅可比矩阵映射到所有关节。就像阅兵指挥官看的是整个方阵的整齐度，而不是某个士兵的膝盖弯曲角度。
为何常见：经典控制课最先教的都是 PID，容易先入为主地把所有控制问题都往 PID 上套。
误区我以为 WBC 的优先级就是把平衡任务的权重设成 100，手部任务设成 1，权重大的自然优先满足。这难道不是最简单有效的办法？
正解加权 WBC 是“软约束”——大权重只是让平衡任务在总代价里占比更重，但极端情况下手部任务仍可能把平衡“拉偏”。分层 WBC 用零空间投影实现“硬优先级”，高优先级任务被精确满足，低优先级任务只能在零空间里执行，两种方式使用场景不同。
为何常见：加权最小二乘是入门最常见的写法，看着“差不多”，但语义上差了一个量级。
误区现在都在讲 WBC，ZMP 是不是过时了？人形机器人公司估计早就不用它了。
正解ZMP 仍然是步态规划层最主流的稳定性判据之一。MPC 在规划落脚点时大量使用凸的 ZMP 约束来判断“这个步子能不能迈”。WBC 解决的是“执行层怎么协调全身”的问题，两者分工不同，不是替代关系。
为何常见：论文里常拿 WBC 与 ZMP 做对比实验，容易让人误以为是新旧替代。
误区把 WBC 代码写出来，机器人应该就能走出漂亮稳定的步伐，毕竟全身都协调好了。
正解WBC 是“执行器官”，它本身不告诉机器人“下一步落脚点在哪、迈多大步”。这些由步态规划器或 MPC 生成参考轨迹（期望重心、落脚点），WBC 只负责跟踪参考同时又保持平衡。没有上层规划，WBC 连往哪走都不知道。
为何常见：演示视频只展示 WBC 的执行效果，看不到背后的规划模块，容易高估单一模块的能力。
误区控制频率拉到 10kHz，WBC 肯定比 1kHz 更稳更灵敏，什么时候都不会摔。
正解频率受两个因素制约：一是求解算力，频率翻倍需要同等的算力提升；二是传感器噪声，高频下数值微分会被噪声放大，关节指令剧烈抖动。工程上 1kHz 是常见取舍，模型精度与频率匹配比单纯冲高更重要。
为何常见：直觉上“更快等于更好”，但在数字控制系统中，噪声、延迟、离散化误差让“更高频率”未必“更稳”。
面试题
Q1. WBC的核心目标是什么？
- A.让机器人走得最快
- B.多任务统一协调全身控制← 正确答案
- C.让机器人跳得最高
- D.只控制单条机械臂
答案：B。WBC 的核心是把平衡、移动、操作等多个任务放进同一个优化框架统一求解，而不是追求单一指标（速度、高度）。B 准确概括了“全身”与“统一”两个关键词，A/C 都是单目标指标，D 只涉及局部，均不是 WBC 的本质。
Q2. WBC中优先级最高的任务通常是？
- A.手臂抓取任务
- B.头部追踪任务
- C.保持身体平衡← 正确答案
- D.语音交互命令
答案：C。在阅兵方阵里，队形永远比个人动作重要。WBC 中“保持平衡”是决定机器人会不会摔倒的底线任务，优先级永远排在手臂抓取、头部动作、语音交互之前，因为它们都以不摔为前提。
Q3. WBC最终输出给关节的指令通常是？
- A.目标温度设定值
- B.关节加速度或力矩← 正确答案
- C.关节阻尼系数
- D.电机额定功率
答案：B。WBC 的优化变量是关节加速度或力矩，经过逆动力学映射后下发到各关节电机执行。PID 控制输出角度误差修正量，而 WBC 输出的是动力学层面的力/加速度指令——就像指挥官下达的是“用力迈步”而不是“腿抬到 30 度”。
Q4. 关于ZMP与WBC的比较，下列说法正确的有？
- A.ZMP采用倒立摆简化模型← 正确答案
- B.WBC考虑全身动力学模型← 正确答案
- C.ZMP完全不关心平衡问题
- D.WBC可同时处理多个任务← 正确答案
答案：ABD。ZMP 把机器人简化为倒立摆，通过判断零力矩点是否落在支撑多边形内来保证平衡，A 正确，C 错误（ZMP 恰恰是最经典的平衡判据）。WBC 使用全身动力学模型并在统一优化中处理多任务，B、D 正确。
Q5. 零空间投影在WBC中的作用是什么？
- A.增大关节力矩输出上限
- B.在保持高优先级任务的同时执行低优先级任务← 正确答案
- C.让所有任务优先级相同
- D.降低优化问题的维数
答案：B。零空间投影矩阵把低优先级任务的修正量“滤”到不影响高优先级任务的子空间内。这样手部动作可以在不破坏平衡的前提下执行，B 准确。A 是力矩限制问题，C 与分层 WBC 思想相悖，D 是数值计算层面的效果而非核心作用。
Q6. WBC工程实现的主要难点包括？
- A.优化求解耗时超过控制周期← 正确答案
- B.动力学模型参数不准确← 正确答案
- C.传感器噪声干扰状态估计← 正确答案
- D.机器人外壳颜色设计
答案：ABC。WBC 要满足 1kHz 实时性，求解器必须在 1ms 内算完，A 是典型算力瓶颈。模型参数（质量、惯量、摩擦力）不准确会直接导致优化输出偏差，B 正确。IMU 漂移、编码器噪声等传感器问题会恶化状态估计，C 正确。外壳颜色属于工业设计，与运动控制无关。
Q7. MPC与WBC在机器人控制中的典型分工是？
- A.MPC做高频执行，WBC做低频规划
- B.MPC规划落脚点，WBC跟踪执行← 正确答案
- C.两者各自独立，互不相干
- D.WBC预测未来，MPC处理当前
答案：B。MPC 用简化模型在 50–200Hz 预测未来状态并规划落脚点与重心轨迹；WBC 用全身动力学在 500–1000Hz 实时跟踪这些轨迹并保持平衡。B 准确描述了“MPC 规划、WBC 执行”的级联架构。
Q8. 加权WBC与分层WBC的主要区别是什么？
- A.加权是软约束，分层是硬优先级
- B.加权不需要优化求解← 正确答案
- C.分层完全没有任务权重
- D.两者在数学上完全等价
- E.低优先级任务被完全忽略
- F.低优先级任务在零空间内被部分执行
- G.高优先级任务自动降级
- H.优化因此直接求解失败
答案：B。严格分层 WBC 中，高优先级任务被精确满足（不发生降级，C 错误）。低优先级任务在零空间内尽量逼近自身目标，如果零空间中没有足够自由度，残差无法归零，但不是“完全忽略”（A 错在绝对化），也不会导致求解器崩溃（D 错）。B 准确描述了“见缝插针”的本质。
Q9. 人形机器人要弯腰搬重物时，WBC如何处理？
- A.忽略平衡只专注抓取
- B.腿部弯曲并调整重心以补偿← 正确答案
- C.直接关闭除手臂外的关节
- D.保持直立僵硬地伸手去够
答案：B。WBC 会把“保持重心在支撑面内”设为高优先级任务，抓取重物扰动重心时，通过腿部弯曲、髋部屈伸等动作补偿，确保整体稳定。A 违背了平衡底线，C 是不必要的关节截断，D 不构成协调动作，只有 B 体现了全身协调的思想。