想象你是新上任的国家田径队总教练，办公室门口站着两位新队员：一位是身高1米8的成年主力，肌肉线条分明；一位是1米3出头的少年苗子，轻巧灵活。你手上只有一份说明书、一套训练器材和一台录像机。你要回答的问题很朴素：他们怎么才能站稳、迈步、跑起来，甚至在摔倒前自己调整重心？ 这就是今天的主角——宇树Unitree H1与G1——带给科研工作者的真实挑战。它们不是展览柜里的雕塑，而是可以编程、可二次开发、能通过强化学习自己摸索步态的双足机器人。关节模组就像运动员的肌肉与韧带，运动控制架构像指挥全身协调的神经系统，而强化学习则像日复一日的步态训练，让机器人从蹒跚学步走到健步如飞。这篇文章会从选材（产品定位）讲到解剖（关节模组）、神经（控制架构）、训练（强化学习），再到教练手册（开发接口）和赛场（应用场景），帮你完整建立对宇树H1/G1的直觉认知。

岗位关联

对人形机器人有兴趣的AI从业者，可以快速理解宇树H1/G1这类开源硬件的设计逻辑与学习方法，为后续做具身智能算法研究、机器人二次开发和行业应用打下扎实基础。

目录
  1. 可视化演示
  2. 产品定位
  3. 关节模组
  4. 运动控制
  5. 强化学习
  6. 开发接口
  7. 应用场景
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示宇树Unitree H1/G1人形机器人：关节模组设计、运动控制架构与强化学习步态生成，展示开源生态的二次开发潜力。

本节配有交互动效（进入视口后自动加载，约 3KB）。

机器人本体 关节 肢体 H1/G1 高性价比人形机器人开源生态

产品定位

田径队招新，第一件事不是训练，而是看人。H1是那位1米8的成年主力，全身碳纤维骨架，在2023年一亮相就展示了惊人的后空翻和跑步姿态；G1则是1米3左右的少年苗子，主打轻巧和亲民，价格只有H1的零头。两人共享同一套运动理念——高性价比、开源生态、面向二次开发。宇树凭借这样的定位，把过去动辄上百万的人形机器人，拉到了普通人也能接触、研究者也能改造的区间。

为什么定位如此关键？因为人形机器人不是纯展示品。H1追求高动态性能，最大关节扭矩达到约360牛·米，适合研究跑跳等极限运动；G1则强调日常行走与负载轻便，扭矩约120牛·米，但灵活性极强。更值得关注的是，宇树开放了SDK、仿真环境甚至部分硬件图纸，让实验室能基于它快速搭建算法验证平台。这意味着，你买到的不是一个封闭的黑盒，而是一副可以自由调教的“运动员身体”。

从技术视角看，评价两位队员的能力不能只看个头。我们常用“扭矩密度”来衡量关节模组的性能——就像看运动员的肌肉质量而不是单纯看体重。扭矩密度越高，说明在相同重量下，关节能发出更强劲的力量。

回到选材的比喻：H1像举重队里的力量型选手，G1像体操队的轻盈苗子。选谁取决于团队目标——如果你研究的是跑酷和重负载工况，H1是你的菜；如果要做教育、室内的步态算法验证，G1更合适。定位清楚了，后面的训练计划才能有的放矢。

η=τmax⁡mrobot\displaystyle \eta = \frac{\tau_{\max}}{m_{\rm robot}}
这个公式表示：机器人的扭矩密度 \(\eta\) 等于整机最大关节扭矩 \(\tau_{\max}\) 除以整机质量 \(m_{\rm robot}\)，值越高，单位重量输出的力量越大。
  1. 最大关节扭矩 \(\tau_{\max}\)关节能输出的峰值力矩，单位是牛·米，相当于运动员瞬间爆发出的“腿部力量”。
    τmax⁡\tau_{\max}
  2. 整机质量 \(m_{\rm robot}\)机器人的总重量，包括骨骼、电池、电机和传感器，就像运动员的体重。
    mrobotm_{\rm robot}
  3. 扭矩密度 \(\eta\)两者相除，得到每千克重量能提供多少牛·米的力矩，这是衡量硬件水平的核心指标。
    η=τmax⁡mrobot\eta = \frac{\tau_{\max}}{m_{\rm robot}}

关节模组

队员招进来了，接下来要体检——而人形机器人最核心的“肌肉”就是关节模组。宇树H1/G1的关节不是传统工业机械臂那种笨重的减速箱堆砌，而是把电机、减速器、编码器、驱动器高度集成在一个圆柱形模块里。你可以把它想象成运动员大腿根部的一条完整肌腱：能屈能伸，还能感知自身状态。

这条“肌腱”内部最关键的设计是行星减速器。电机转速高但扭矩小，就像一个人挥臂很快却使不上力；行星减速器的作用，就是把高转速换成大扭矩，用齿轮咬合把力量放大。H1的关节扭矩能做到360牛·米级别，正是得益于高功率密度电机与减速器的配合。

那减速比到底怎么算？假设电机每秒转20圈，输出轴每秒只转1圈，则减速比为20:1。输出扭矩近似等于电机扭矩乘以减速比（忽略摩擦损耗）。

一套好的关节模组，除了力量大，还得“感知敏锐”。编码器就像肌肉里的本体感受器，实时监测关节角度和转速，把信息回传给控制器。关节模组一体化设计，让整条腿既紧凑又轻盈——就像运动员的训练鞋，既要包裹性好，又不能成为负担。

τout=τmotor×i\displaystyle \tau_{\rm out} = \tau_{\rm motor} \times i
这个公式说的是：减速器输出端的扭矩 \(\tau_{\rm out}\)，等于电机本身的扭矩 \(\tau_{\rm motor}\) 乘以减速比 \(i\)。减速比越大，输出的力量越大，但代价是转速变慢。
  1. 电机扭矩 \(\tau_{\rm motor}\)电机轴直接输出的原始力矩，数值通常较小，好比一个人只用手腕发力。
    τmotor\tau_{\rm motor}
  2. 减速比 \(i\)输入转速与输出转速的比值，表示减速器把转速降低了几倍。
    ii
  3. 输出扭矩 \(\tau_{\rm out}\)经过减速器放大后，关节真正能输出的力矩，好比用手腕的力量加上杠杆去撬动重物。
    τout=τmotor×i\tau_{\rm out} = \tau_{\rm motor} \times i

运动控制

有了肌肉，还得有神经。宇树H1/G1身上的陀螺仪、惯性传感器和关节编码器时刻在采集数据，但谁来决定下一步怎么动？答案是运动控制架构。它像人体的中枢神经系统，采用“感知→决策→执行”的分层结构：感知层读取姿态和关节数据，决策层根据任务规划步态，执行层把指令变成电流驱动关节。

在决策层中，宇树采用了模型预测控制（MPC）等算法。MPC的思路很有意思：就像下棋高手会在落子前先推演三五步，MPC会基于当前状态预测未来一小段时间内机器人的运动轨迹，并在每个控制周期滚动优化。它需要一台快速的上位机，通常在2-5毫秒内完成一次计算更新。

支撑MPC的是一个刚体动力学模型，它描述了关节力矩与身体加速度之间的关系。我们可以用一个标准方程抽象地表示：

控制架构就像一位冷静的战术教练：先看全局（感知），再快速推演（MPC），最后喊出指令（执行）。这套体系保证了机器人在受到外界扰动时，能在一瞬间重新分配关节力矩。H1/G1之所以能走出稳定流畅的双足步态，靠的不是某一个零件的奇迹，而是这个神经系统高效的协调能力。

τ=M(q) q¨+C(q,q˙) q˙+g(q)\displaystyle \tau = M(q)\,\ddot{q} + C(q,\dot{q})\,\dot{q} + g(q)
这个公式是机器人动力学的基础：关节力矩 \(\tau\) 被拆解为三部分——惯性力 \(M(q)\ddot{q}\)、科氏力/离心力 \(C(q,\dot{q})\dot{q}\) 和重力项 \(g(q)\)。
  1. 惯性项 \(M(q)\ddot{q}\)质量矩阵 \(M(q)\) 乘以关节加速度 \(\ddot{q}\)，表示让各关节加速需要的力量，如同运动员启动回旋时克服自身惯性。
    M(q) q¨M(q)\,\ddot{q}
  2. 科氏力与离心力项 \(C(q,\dot{q})\,\dot{q}\)当多个关节同时运动时，彼此会产生耦合效应，速度越快影响越大，类似跑步时摆动手臂对躯干的扰动。
    C(q,q˙) q˙C(q,\dot{q})\,\dot{q}
  3. 重力项 \(g(q)\)把每个肢体的重量“托住”所需要的力矩，相当于运动员维持深蹲姿势时大腿持续对抗地心引力。
    g(q)g(q)

强化学习

如果说运动控制是教练赛前布置的战术板，那么强化学习就是运动员日复一日的私下训练。宇树H1/G1的步态生成，正越来越多地依靠强化学习取代手写规则。传统方法需要工程师手工设计每一步的落脚点，而强化学习让机器人像学步婴儿一样，通过不断尝试、摔倒、再爬起来，自己探索出一条稳健的步态。

训练的核心是“奖励函数”。你会告诉机器人：往前走有奖励，保持身体平衡有奖励，但偷懒不动没有奖励。机器人就在这个奖惩信号下，反复调整它的策略网络——这个策略网络接收当前姿态和任务目标，直接输出各关节的目标扭矩。这就像教练不断吹哨子，对正确动作说“好球”，对错误动作喊“重来”。

强化学习的目标，是在整个决策过程中最大化累计奖励。用数学语言来写：

然而，直接在真实机器人上训练太危险，也极度耗时。宇树团队和研究者通常先在仿真环境（如Isaac Gym、MuJoCo）里让机器人“虚拟训练”数万次，再把学到的策略迁移到实体机中。这个从仿真到现实的跨越，简称sim2real，靠的是领域随机化——在仿真中随机改变摩擦系数、重心位置、电机噪声等参数，让策略模型见过足够多的“意外”，到了真实世界才不会被一点小石子绊倒。这就像运动员在训练时故意顶着大风和高原缺氧训练，比赛时才能从容应对。

J(θ)=Eτ∼πθ[∑t=0Tγtr(st,at)]\displaystyle J(\theta) = \mathbb{E}_{\tau \sim \pi_\theta}\left[\sum_{t=0}^{T} \gamma^{t} r(s_t, a_t)\right]
这个公式表示：策略 \(\pi_\theta\) 的期望回报 \(J(\theta)\)，等于沿轨迹 \(\tau\) 收集的每一时刻奖励 \(r(s_t,a_t)\) 的折扣总和。
  1. 策略 \(\pi_\theta\)一个神经网络，输入当前状态 \(s_t\)，输出动作 \(a_t\)，好比运动员根据场上局面做出的条件反射。
    πθ(at∣st)\pi_\theta(a_t|s_t)
  2. 轨迹 \(\tau\) 与期望 \(\mathbb{E}\)轨迹是“状态-动作-奖励”的完整序列，期望表示对大量随机轨迹取平均，相当于把很多次训练成绩汇总。
    Eτ∼πθ\mathbb{E}_{\tau \sim \pi_\theta}
  3. 折扣因子 \(\gamma\)（0到1之间）未来奖励的折现率。\(\gamma^{t}\) 越往后越小，表示“眼前的进步”比“遥远的空头支票”更重要。
    γt(0≤γ≤1)\gamma^{t} \quad (0 \le \gamma \le 1)
  4. 累计奖励 \(\sum_{t=0}^{T} r(s_t,a_t)\)从开始 \(t=0\) 到结束 \(t=T\) 的累加奖励，是整个训练过程的总得分。
    ∑t=0Tr(st,at)\sum_{t=0}^{T} r(s_t,a_t)

开发接口

运动员练出来了，如何让他听你的口令？开发接口就是属于教练的战术板和哨子。宇树为H1/G1提供了一整套SDK，支持C++和Python，同时兼容ROS/ROS2生态。你可以通过SDK读取机器人各关节角度、速度和扭矩，也可以订阅IMU姿态数据，再把自己的控制指令发回去。整个过程就像你站在场边，通过实时对讲机向运动员下达每一秒的动作指令。

对于二次开发，宇树还开放了仿真训练环境和示例算法代码。研究者可以在仿真里训练一套新的步态策略，再部署到实体机器人上做验证。接口里还包含远程遥控与调试功能：急停按钮、模式切换、数据录制回放，一应俱全。这些工具的价值不亚于一份详尽的“运动员训练档案”，帮助开发者快速定位问题、迭代算法。

机器人控制的实时性要求很高，这就引入了一个关键参数——控制周期。控制频率越高，机器人响应越敏锐，但留给计算的时间也越短。它们的关系是：

SDK的存在，本质上把复杂的底层硬件“封装”成了简洁的接口。你不需要知道每颗螺丝怎么拧，只要调函数就能让机器人走起来。这就像教练不需要亲自上场跑步，他只需要通过战术板和数据系统，把意图准确地传达到运动员脚下。宇树在这一层做得越完善，实验室的研发效率就越高。

fctrl=1tread+tcompute+twrite\displaystyle f_{\rm ctrl} = \frac{1}{t_{\rm read} + t_{\rm compute} + t_{\rm write}}
控制频率 \(f_{\rm ctrl}\) 等于一个控制周期所耗时间的倒数。周期内包含传感器读取、算法计算和指令下发三步，花的时间越少，频率越高。
  1. 传感器读取时间 \(t_{\rm read}\)从编码器、IMU收集状态数据所需的时间，好比运动员看一眼球的位置。
    treadt_{\rm read}
  2. 算法计算时间 \(t_{\rm compute}\)控制器运行步态策略或MPC优化所需的时间，好比大脑快速思考“下一步往哪跑”。
    tcomputet_{\rm compute}
  3. 指令下发时间 \(t_{\rm write}\)把控制指令传给电机驱动器的时间，好比嘴巴喊出“左转”的瞬间。
    twritet_{\rm write}
  4. 控制频率 \(f_{\rm ctrl}\)一秒钟内能完成多少个这样的完整闭环。
    fctrl=1tread+tcompute+twritef_{\rm ctrl} = \frac{1}{t_{\rm read} + t_{\rm compute} + t_{\rm write}}

应用场景

练兵的终极目标是赛场。宇树H1/G1在科研和教育领域已经积累了颇为丰富的实战经验，具体可以划分成四条主赛道。

第一条是科研教学。在高校机器人实验室里，H1/G1是最常见的硬件平台之一。研究生用它验证新的强化学习算法，本科生用它完成毕业设计。它能帮研究者把论文里的算法从仿真搬到现实，也让学生第一次直观感受到用代码控制一个“人”走路带来的成就感。第二条是工业巡检。在化工厂、电力站等危险场景，双足机器人可以代替人类执行仪表读数、温度检测等任务。工程师针对特定地形（如楼梯、斜坡）开发专门的步态策略，再通过强化学习让机器人逐步适应。

第三条是具身智能研究。所谓具身智能，是让AI不仅拥有“大脑”，还拥有身体。H1/G1作为可移动、可操作的实体平台，能够承接从语言指令到物理动作的闭环研究——你告诉它“去客厅拿水杯”，它要理解语义、规划路径、控制四肢，最终完成抓取。这条赛道连接了自然语言处理、计算机视觉和机器人控制三个领域的全部想象力。

在应用层面，评估机器人能否稳定行走，一个经典指标是零力矩点（ZMP）。当机器人的ZMP落在支撑脚围成的多边形内部，它就稳如泰山；一旦超出这个范围，就会跌倒。ZMP的计算思路，是所有脚底反作用力的加权平均作用点：

回到田径队的比喻：四位队员各有所长，但共同目标是“站稳”。科研教学培养了新一代“体能教练”（机器人工程师），工业巡检攻克了最恶劣的地形，具身智能则让机器人的“大脑”和“身体”同步进化。宇树H1/G1真正的价值，不是作为昂贵的展品，而是作为一块坚实的跳板，让每一个投身机器人事业的人都能站在上面，眺望更远的地方。

pZMP=∑ixiFi∑iFi\displaystyle p_{\rm ZMP} = \frac{\sum_{i} x_i F_i}{\sum_{i} F_i}
这个公式表示：零力矩点 \(p_{\rm ZMP}\) 是所有接触点位置 \(x_i\) 按各自法向力 \(F_i\) 加权平均得到的等效作用点。
  1. 每个接触点 \(x_i\) 与反作用力 \(F_i\)机器人脚底与地面接触的各个位置及对应的地面支撑力，就像鞋底各点承受的体重压力。
    xi,Fix_i, \quad F_i
  2. 加权求和 \(\sum_i x_i F_i\)把所有接触点的位置按力的大小加权加总，起决定作用的区域获得更大权重。
    ∑ixiFi\sum_{i} x_i F_i
  3. 归一化 \(\sum_i F_i\)除以总支撑力，得到等效压力中心的坐标，类似于把所有力量拧成一股绳的作用点。
    ∑iFi\sum_{i} F_i

AI 应用场景

高校机器人强化学习实验室

阶段：模型训练与验证

解决的问题：传统实验课使用仿真环境，学生只接触抽象算法，难以理解真实世界的摩擦力、延迟等问题。以G1为实验平台，学生可以直接部署策略，对比仿真与现实差异。

具体案例：某高校开设“仿人机器人强化学习控制”课程，学生基于G1的仿真环境训练步态策略，再迁移到真机展示。课程反馈显示，亲身体验sim2real全流程后，学生对奖励函数设计和领域随机化的理解显著加深。

电力站复杂地形巡检

阶段：数据收集与策略部署

解决的问题：传统轮式机器人在台阶、电缆沟等复杂地形难以通行，而人形机器人落脚点灵活。工程师通过强化学习为G1定制“跨障碍步态”，并利用开源SDK接入巡检传感器。

具体案例：某科技公司为变电站定制G1巡检方案，机器人沿指定路线行走，识别仪表读数并通过5G回传，在试点项目中实现了90%以上的仪表自动识别成功率。

具身智能通用操作平台

阶段：多模态感知与决策

解决的问题：具身智能研究需要“能走、能看、能动”的统一平台。H1提供的高动态行走能力，让研究者可以聚焦于抓取、导航和高层语义决策，而非重复造轮子。

具体案例：研究院以H1为载体，接入大语言模型和视觉语言模型。当发出“走到桌子前拿起红色罐子”的命令时，系统完成指令分解、路径规划和操作执行，验证了多模态大模型与物理身体结合的可能性。

Python 演示

python57 行
# -*- coding: utf-8 -*-"""简化人形机器人步态控制演示:周期性步态协议+关节PD控制"""import numpy as np  class LegJoint:    """单关节模型:记录当前角度、角速度和关节力矩"""     def __init__(self, q0=0.0, dq0=0.0):        self.q = q0          # 当前角度(rad)        self.dq = dq0        # 角速度(rad/s)        self.tau = 0.0       # 关节力矩(N.m)     def update(self, tau_ext, dt=0.001):        inertia = 0.05      # 简化转动惯量(kg.m^2)        qdd = tau_ext / inertia        self.dq += qdd * dt        self.q += self.dq * dt  def gait_target(phase):    """步态策略:根据相位生成髋关节和膝关节目标角度"""    hip = 0.6 * np.sin(2 * np.pi * phase)    knee = max(0.0, 0.8 * np.cos(2 * np.pi * phase))    return hip, knee  def pd_torque(q, dq, q_des, dq_des, kp=200.0, kd=20.0):    """PD控制器:将关节拉向目标角度和目标角速度"""    return kp * (q_des - q) + kd * (dq_des - dq)  def main():    freq = 1.2             # 步频因子    dt = 0.001             # 仿真步长(秒)    t = 0.0    hip = LegJoint()    knee = LegJoint()    torques = []     # 仿真4秒:前0.5秒暖机,后面记录力矩    for _ in range(4000):        phase = freq * t % 1.0        hip_target, knee_target = gait_target(phase)        tau_hip = pd_torque(hip.q, hip.dq, hip_target, 0.0)        tau_knee = pd_torque(knee.q, knee.dq, knee_target, 0.0)        hip.update(tau_hip, dt)        knee.update(tau_knee, dt)        if t > 0.5:            torques.append(abs(tau_hip) + abs(tau_knee))        t += dt     print(f"平均关节力矩总值: {np.mean(torques):.4f} N.m")  if __name__ == "__main__":    main()
目的：用简化模型模拟宇树机器人关节控制的基本思路——由步态策略给出目标角度，PD控制器计算力矩，最后更新关节状态。
  1. class LegJoint:定义单个关节的物理状态，相当于机器人关节模组里的运动学快照。
  2. self.q = q0保存关节当前角度，就像编码器实时反馈的位置。
  3. qdd = tau_ext / inertia用牛顿第二定律的旋转版：角加速度 = 力矩 / 转动惯量。
  4. def gait_target(phase):步态策略函数，根据行走相位生成目标角度，类似强化学习策略输出的目标序列。
  5. max(0.0, 0.8 * np.cos(...))膝关节在摆动相时弯曲，在支撑相时伸直，模拟真实步行中膝盖的“屈伸节奏”。
  6. def pd_torque(q, dq, q_des, dq_des, kp=200.0, kd=20.0):经典PD控制器，比例项拉近位置，微分项抑制振荡。
  7. kp * (q_des - q)角度偏差越大，输出的纠正力矩越大，就像看见偏差立刻纠偏的教练。
  8. kd * (dq_des - dq)速度偏差项提供“阻尼”，防止关节在目标点附近来回震荡。
  9. hip.update(tau_hip, dt)用计算出的力矩更新关节状态，完成一次控制闭环。
  10. torques.append(...)记录运行中的力矩数据，便于分析控制器的负载强度。

常见误区

误区看到H1的360牛·米扭矩，就觉得只要扭矩够大，机器人就一定跑得快、跳得高，甚至认为扭矩是选型时唯一要看的参数。

正解扭矩只是“力量指标”，真正的关键参数是扭矩密度，即单位重量能输出的力矩。扭矩大的机器人往往也更重，如果身体太重，再大的扭矩也只是勉强抬腿。H1的高明之处在于用碳纤维和轻量化设计，在保持强劲关节输出的同时把整机重量控制在47千克左右。选机器人跟选队员一样：力量和体重要搭配着看。

为何常见：人们习惯用汽车马力做类比，觉得马力越大车越快，忽视了车身重量同样影响加速性能。

误区以为宇树开源了SDK和仿真环境，代码下载下来就能直接部署到真机，完全不用调参，跑起来就能炫后空翻。

正解开源代码只是给了你一套基础配置，实际部署还需要做系统辨识——确认仿真里的质量分布、摩擦系数和关节延迟是否与真机一致，再针对性地调整奖励函数和控制参数。仿真里风平浪静，真机上一个微小的地面摩擦差异就能让机器人翻车。开源的本质是给你提供了训练的起跑线，而不是终点线。

为何常见：软件行业的开源往往意味着“开箱即用”的代码库，但机器人是物理世界里的软硬件耦合系统，环境差异无法靠代码消除。

误区觉得只要把机器人放进仿真环境，编写一个“往前走”的奖励函数，AI就能自动学会完美步态，不用做任何额外处理。

正解实践中的强化学习远没那么“魔法”。奖励函数需要精心设计，比如既要鼓励前进，又要惩罚过度耗能、防止摔倒。训练完成后还要经历sim2real迁移——通过领域随机化等手段，让策略对真实世界的各种干扰有鲁棒性。任何一个环节偷懒，机器人都可能在仿真里装模作样、在现实中寸步难行。

为何常见：深度强化学习在游戏和棋盘上取得的突破让人产生了“给个目标就能自己学”的错觉，忽略了真实物理世界的不确定性和延迟。

误区认为G1/H1如果再加几条手臂、腰部再多两个自由度，就一定会更灵活，跑跳能力更强。

正解自由度增加会带来三重代价：整机重量上升、控制系统复杂度指数增长、成本迅速攀升。多一个关节意味着多一个电机、多一份惯性、多一组需要协调的运动学约束。实际工程中，H1/G1的关节数都是综合考虑了成本、重量和控制难度后的折中方案——够用就好，而不是多多益善。

为何常见：直觉上觉得“更多关节=更像人=更灵活”，但忽略了控制系统中每多一个自由度带来的巨大计算开销。

面试题

Q1. 宇树H1/G1最核心的竞争力是什么？

单选题 · easy

  • A.具备极高的蓝牙通信速度
  • B.高性价比与开源生态完善← 正确答案
  • C.采用全封闭式商业保密设计
  • D.专注于单一固定工业场景

答案：B。宇树H1/G1之所以在科研教育领域快速普及，核心在于把高性能人形机器人的价格拉下来，并开放SDK、仿真环境和开发文档。选项B正确。A、C、D都不是宇树的产品理念——它并不封闭，也不局限于单一场景。

Q2. 下列哪些属于宇树H1/G1开源生态的典型组成部分？

多选题 · mid

  • A.开放SDK与Python/C++接口← 正确答案
  • B.提供仿真训练环境与示例代码← 正确答案
  • C.公开全部售后维修工单数据
  • D.兼容ROS/ROS2生态工具链← 正确答案

答案：ABD。宇树的开放生态覆盖SDK、仿真环境和ROS支持，帮助开发者快速上手二次开发。C选项“公开售后工单”不属于开源生态的范畴，属于商业服务内部数据。不要被“数据开放”的泛化表述迷惑，要区分清楚哪些是技术资源，哪些是商业运营数据。

Q3. 关节模组中，行星减速器的主要作用是什么？

单选题 · mid

  • A.增加电机转速并缩小输出扭矩
  • B.降低输出转速并放大关节扭矩← 正确答案
  • C.消除关节运动中产生的全部热量
  • D.把旋转运动直接变成直线运动

答案：B。行星减速器通过齿轮咬合实现减速增扭，让高转速低扭矩的电机输出变成适合关节驱动的大扭矩输出，对应B选项。A把方向说反了，C不现实，D是丝杠或齿轮齿条的功能，不符合旋转关节场景。

Q4. 一套完整的关节模组通常包含哪些核心部件？

多选题 · mid

  • A.驱动电机与无框电机← 正确答案
  • B.行星减速器或谐波减速器← 正确答案
  • C.角度与转速编码器← 正确答案
  • D.无线充电管理芯片

答案：ABC。关节模组的核心是“电机+减速器+编码器”的铁三角，分别对应动力、增力和感知。选项D的无线充电芯片是充电模块的功能，不属于关节模组的必要构成。记住：编码器是关节的“本体感觉”，没有它控制器就是盲人摸象。

Q5. 假设PD控制器中Kp增益设置过大，最可能发生什么？

单选题 · mid

  • A.系统响应变慢但稳定性增强
  • B.输出力矩为零且关节无法运动
  • C.关节响应更快但容易振荡← 正确答案
  • D.关节角度保持恒定不受扰动

答案：C。PD控制中，Kp放大位置偏差的响应，过大的Kp会让系统像弹簧一样越绷越紧，最终在目标点附近持续振荡，对应C。A描述的是Kp过小的情况，B不符合PD的机制，D是理想稳态而非过大Kp的结果。

Q6. 在sim2real迁移中，领域随机化的核心思想是什么？

单选题 · hard

  • A.在仿真中固定所有物理参数以提升精度
  • B.随机改变摩擦系数等参数增强策略鲁棒性← 正确答案
  • C.完全取消仿真训练直接让真机进行探索
  • D.把仿真器的帧率降低到最低以加快训练

答案：B。领域随机化通过在仿真中随机化摩擦、重心、延迟等物理参数，让策略在多种环境下训练，从而提升真实部署时的适应性。A反其道而行，C成本和安全风险太高，D降低帧率只会恶化仿真精度，与鲁棒性目标背道而驰。

Q7. 控制周期与控制频率的关系是什么？

单选题 · easy

  • A.控制周期越长，控制频率越高
  • B.控制周期越短，控制频率越高← 正确答案
  • C.两者完全没有关系
  • D.频率等于周期本身

答案：B。频率是周期的倒数 \(f = 1/T\)，周期越短，单位时间内完成的控制闭环次数越多，频率越高。就像步频越高，每一步耗时越短。A弄反了关系，C和D是常识性错误。

Q8. 零力矩点ZMP在人形机器人步态规划中代表什么？

单选题 · easy

  • A.整机质心在空间中的三维投影位置
  • B.地面反作用力的等效作用点位置← 正确答案
  • C.机器人头部朝向的方位角度
  • D.电池剩余电量的百分比估计

答案：B。ZMP是脚底与地面所有接触力等效加权后的作用点，当它落在支撑多边形内部时机器人保持稳定。B准确描述了ZMP的定义。A错把质心当ZMP，C和D与稳定步态控制无关。

Q9. 强化学习步态生成中，哪些环节是必不可少的？

多选题 · hard

  • A.设计逐步引导行为的奖励函数← 正确答案
  • B.搭建物理仿真环境进行批量训练← 正确答案
  • C.通过领域随机化提升迁移鲁棒性← 正确答案
  • D.人工编写每一步的关节角度轨迹

答案：ABC。强化学习步态生成的核心链路是“奖励设计→仿真训练→sim2real迁移”，因此A、B、C都是必要环节。D属于传统轨迹规划方法，与强化学习自主学习的思路相反。注意题干问的是强化学习步态生成，不是传统控制。

Q10. 为什么宇树H1能实现高速奔跑和跳跃，而普通双足机器人做不到？

单选题 · mid

  • A.因为H1的关节扭矩密度更高且控制与学习算法先进← 正确答案
  • B.因为H1完全取消了重心概念且不受重力影响
  • C.因为H1每个关节都装了独立的大型液压泵
  • D.因为H1使用汽油引擎替代了锂电池供电

答案：A。H1的大功率密度关节模组配合先进的动力学控制和强化学习训练，才实现了高动态动作。B和D违背物理常识，C的描述更贴近液压驱动机器人，与宇树采用的电机驱动方案不符，且“每个关节装液压泵”不符合H1实际架构。