企业官网建设流程全解析

仿真实战：让启元 Q1 迈出第一步——在 MuJoCo 里从零搭一条双足步行仿真管线

一句话导读：在启元 Q1 的官方 MuJoCo 模型上，从零搭一条完整的双足步行仿真管线——步态几何测量、脚步规划、有界 LIPM、足位 IK 全部数值验证通过；闭环阶段摔了五次，每次都摔出了名字，最后用参数扫描证明这是控制结构的边界而不是调参问题。方法骨架取自双足行走最经典的 Kajita 线性倒立摆，但全文重心是仿真工程本身：每个数字怎么测、每段代码怎么验证、每次失稳怎么归因。所有数据来自本机一次运行，代码可复现。

1. 为什么做步行仿真：从站得住，到走起来

先交代起点。在动手之前，我已经用 22 关节位置 PD 让 Q1 在 MuJoCo 里稳定站立：增益体系（髋膝 kp/kd=150/12、踝 100/8）、刚度-静差规律、推力抗扰阈值（50 N 可恢复、55 N 摔倒）全部实测过；把同一套控制器搬进 PyBullet 后也核对过跨引擎的稳定边界。也就是说，"站"这个问题已经解决了。对一台人形机器人来说，仿真的下一级台阶只有一个——让它走起来。

步行仿真和站位仿真隔着一道质的鸿沟。站位是"稳定一个姿态"：质心投影落在支撑多边形内，扰动会自己衰减。步行是"转移一条轨迹"：绝大部分时间质心投影必须主动移出舒适区，单支撑期只有一只 46 毫米宽的脚在地面，任何偏差都以指数速度放大。站位仿真验证控制器，步行仿真验证规划器、求解器和控制器三者的配合——这是它值得单独做、也值得单独写的原因。

方法骨架我选了双足行走领域事实上的标准：Kajita 等人 2001 年提出的 3D 线性倒立摆模式（LIPM）及 2003 年的预观控制版本。从 ASIMO 到今天的开源人形，步行控制器的骨架几乎都是它的变体：把整机抽象成一个绕支撑脚摆动的质心倒立摆，规划 ZMP（零力矩点）轨迹，反解出质心轨迹，再映射到关节。选它不是因为情怀，而是因为 Q1 是位置伺服为主的小型人形（SDK 低层接口是"目标位置 + stiffness/damping"），正是这套方法论覆盖的机型类别——而且社区还没有人把 Q1 的步行仿真管线完整搭出来过。

先给结论，全文围绕它展开：

1. 步行仿真的离线规划层（ZMP 规划 → 质心轨迹）在 Q1 上完整搭通，数值可验证；
2. 把质心轨迹映射到 22 个关节的足位 IK 也完整搭通（误差 <2mm）；
3. 闭环步行在"纯位置 PD"结构下失败，五个失效机理被逐一隔离定位；
4. 参数扫描证明失败是控制结构的边界，不是调参问题——出路正是经典方法里的那层 ZMP 反馈。

2. 步行仿真难在哪：先把失稳算成数字

先建立直觉。双足机器人静止站立时是稳定的：质心投影落在脚底支撑多边形内。但行走必须打破这个稳定——迈步的瞬间只有一只脚在地面，质心投影必须移动到支撑脚上方，而支撑脚只有 46 毫米宽（Q1 实测）。此时机器人是一个倒立摆：质心高于支点，任何偏差都以指数速度放大。

LIPM 的价值是把这件事化成一个一行的微分方程，让"多快会摔"变成可以按计算器的数字。假设：质心高度恒定 z_c（腿的伸缩可以忽略），全部质量集中在质心，地面反力作用点为 p（这就是 ZMP），则质心动力学退化为：

ẍ = ω²(x − p)， ω = √(g/z_c)

x 是质心水平位置。这个方程在 Q1 上代入数字：z_c ≈ 0.415 m，ω ≈ 4.87 rad/s——偏差不纠正，0.4 秒翻 e² 倍。我在站位仿真里实测过：把控制输入清零，Q1 在 0.6 秒内摔倒，就是这个方程在说话。

ZMP 是这个框架里的控制量：p 落在支撑脚底面内，机器人不翻；p 出界，翻。所以步行仿真管线的设计问题变成：设计一条 ZMP 永远在脚底的 p(t)，解微分方程得到质心轨迹 x(t)。"3D"指 x、y 两个方向各来一个这样的方程，y 方向负责左右脚交替的重心转移。

3. 仿真管线设计：三步走

第一步：ZMP 规划。走路时 ZMP 就放在支撑脚底面中心；换脚时（双支撑期）在两脚间平滑过渡。这一步是纯几何，没有动力学。

第二步：解微分方程。这是有讲究的一步。ẍ = ω²(x−p) 的通解是双曲函数的组合，含一个增长模态和一个衰减模态。给定 p(t) 和初始条件正向积分，增长模态会让质心以 e^(ωt) 飞出去——除非初始条件选得恰好压制增长模态。经典方法用预观控制（一种带未来 ZMP 信息的优化）求出这条"有界解"：质心提前于 ZMP 动起来，像下坡的滑雪者提前压重心。

第三步：质心 → 关节。用 IK 把质心和双脚位姿映射到腿部关节。Q1 每条腿 6 个关节（髋 3 + 膝 1 + 踝 2），恰好够决定脚的 6 自由度位姿。

三步环环相扣，听起来工程量不大——我接下来就在 Q1 的 MuJoCo 模型上把这三步搭出来，然后你会发现每一步都有教科书不写、但仿真里必须自己踩的坑。

第一步在代码里就是一个显式的脚步状态机。每步分为三段（双支撑过渡 0.40 s → 单支撑 0.55 s → 双支撑回收 0.35 s），ZMP 在段内按规划转移，摆动脚走 s 曲线：

# 03_walk.py build_gait() 核心：脚步状态机foriinrange(n_steps):swing="left"ifi%2==0else"right"# 左右脚交替sup="right"ifswing=="left"else"left"tgt_x=plan_feet[sup]+step_len# 摆动脚落到支撑脚前方plan_feet[swing]=tgt_x# 落地后更新该脚位置timeline.append((swing,tgt_x,t,t+T_DS1+T_SS+T_DS2))# 单支撑期：ZMP 钉在支撑脚的"自然平衡点"，摆动脚走余弦 s 曲线zx[i]=sup_c[0]+SOLE_CX# 踝前 12 mm（闭环实测）foot[0]=sw_from[0]+ks*(tgt_x-sw_from[0])# ks = 0.5(1-cos(πa))foot[2]=ANKLE_Z+np.sin(np.pi*a)*step_height# 正弦抬脚轨迹

两个细节值得注意：plan_feet是渐进更新的——每一步的落点都基于当前支撑脚位置，而不是一开始就拍死全部脚步（早期版本用固定字典，结果所有摆动目标都是初始位置，机器人原地踏步）；SOLE_CX不是脚心也不是踝轴，而是踝前 12 mm——这个"自然平衡点"是闭环仿真实测出来的，第 7 节会展开它背后的机理。

3.5 把公式代入 Q1：仿真开跑前的手工校核

这三个公式值得用 Q1 的真实数字亲手算一遍——仿真时每个数字都对应一段代码，先手算再上机，是防止"方向算错还跑一下午"的最好保险。

特征频率：z_c 取步行姿态质心高 0.415 m，ω = √(9.81/0.415) = 4.87 rad/s。这个数字决定了两件事：发散时间常数 1/ω ≈ 0.21 s（扰动不纠正，0.4 秒放大 e² ≈ 7.4 倍——这就是步行控制器必须毫秒级响应的原因）；预观时域约 2/ω ≈ 0.4 s（质心要"看到"未来 0.4 秒的 ZMP 才能提前压重心——对应本实验 0.4 s 的双支撑期设计不是巧合）。

一步的质心动力学：单支撑期 T_SS = 0.55 s，ωT ≈ 2.68。质心相对支撑脚的偏移在一步内放大 cosh(ωT) ≈ 7.3 倍。若进入单支撑时质心已偏 10 mm，出支撑期时偏 73 mm——而脚长只有 145 mm。入口误差的容限只有十几毫米，这是后面所有闭环机理的定量背景。

摆动脚可达性校验：步长 40 mm + 步高 35 mm，摆动脚踝目标最远点（前伸 40 mm、抬高 35 mm）距髋关节 √(0.20²+0.32²) ≈ 0.38 m < 腿长 0.3999 m，膝弯约 45°——在 URDF 关节限位内，IK 实测 1.8 mm 收敛（第 5 节）。

这三个手算全部能在随文仓库的结果文件里对上号。经典方法不是玄学，是可以在自家机器人的仿真模型上按计算器验证的工程学。

4. 复现准备：Q1 的步态几何

工欲善其事，先把 Q1 走路的家底盘清楚。全部从官方模型直接量取：

图 1｜步态几何测量输出：脚底 145×46 mm（四点接触球定义）、两踝间距 181 mm、直立骨盆高 419 mm。这些数字决定步态参数的可行域：步长受脚长限制、横向摆动幅度受 46 mm 脚宽限制。

关键数字：脚长 145 mm（脚跟在踝后 50 mm、脚趾在踝前 95 mm——Q1 的脚相对踝是不对称的）、脚宽仅 46 mm、两踝横向间距 181 mm。这组数字立刻给出约束：横向重心转移必须把质心送进 46 mm 宽的窗口；步长选 40 mm（留出摆动腿超越空间）；步高 35 mm。

5. 足位 IK：两个数值坑和它们的解

第三步的 IK，我在 Q1 上用 6 关节数值解（阻尼最小二乘迭代）。教科书方法，但连踩两个坑，值得展开——因为它们会让 IK “安静地失败”，比报错更危险。

坑一：伪逆截断了弱奇异方向。用pinv(rcond=0.05)时，直膝附近"抬脚"恰好是一个弱奇异方向（奇异值约 0.05-0.08，低于阈值被当作不可达截掉）。现象：IK 对所有需要抬脚的目标静默失败，误差卡在 60 mm 不动。解法：改用阻尼最小二乘（DLS）——弱方向走慢点，但能走通。

坑二：种子姿态违反平脚约束。我给 IK 的初始猜测（髋 -0.175、膝 0.35、踝 +0.175 rad）看似合理，但髋+膝+踝 = +0.35 ≠ 0——脚是翘着的，初始姿态就带着 0.36 rad 的姿态误差。IK 从第一帧起就在错误方向上挣扎，某些目标收敛、某些发散，极难排查。解法：种子必须满足闭链约束（踝 = −髋−膝）。

修复后的求解器核心（阻尼最小二乘 + 步长限幅 + 多起点重启）：

# foot_ik_debug.py：DLS 核心迭代mujoco.mj_jacBody(model,data,jacp,jacr,bid[side])J=np.vstack([jacp[:,d_idx],jacr[:,d_idx]])# 6×6 腿部雅可比err=np.concatenate([target-pos,err_r])# 位置 + 姿态误差dq=J.T @ np.linalg.solve(J @ J.T+lam*np.eye(6),err)# 阻尼最小二乘ifnp.linalg.norm(dq)>0.25:dq*=0.25/np.linalg.norm(dq)# 步长限幅：雅可比病态时不跳变# 多起点重启：四种膝弯种子，全部满足平脚闭链约束（髋+膝+踝=0）forkneein(0.6,0.2,0.9,0.45):candidates.append(np.array([-knee/2,0,0,knee,-knee/2,0]))

lam取 1e-6：足够小不损伤精度，又让弱奇异方向"走慢但走得通"。收敛判据只看末端误差（<2 mm），不看迭代次数——迭代数小可能是 premature 截断，末端误差不会骗人。

修复后的验证：

图 2｜足位 IK 验证输出：抬脚至踝高 100 mm（膝 76°）、前伸 30/60 mm 等典型摆动目标全部收敛，末端误差 1.5–1.9 mm。多起点重启（膝 0.2/0.45/0.6/0.9 四个种子）保证远离局部极小。

6. 解微分方程：朴素倒推为什么不行

第二步是我搭管线时"自作聪明"翻车的地方，也是这篇仿真实录最有教学价值的一节。

我的第一反应：正向积分不稳定，那倒着积分不就稳定了吗？从终点（静止于末端 ZMP）倒推回起点。写完跑了一下：数值到 10⁵ 量级，发散。

错在哪：LIPM 有两个模态——一个正时间不稳定（e^{+ωt），一个正时间稳定（e}−ωt）。正向积分毁于前者，倒向积分毁于后者。双侧都不稳定，无论从哪头积，总有一个模态炸掉。这也解释了为什么经典方法要引入预观控制那种看起来"重"的机器：它不是为了优雅，是没有便宜的路。

正确解法（预观控制的现代等价形式）只需两次稳定扫描：

1. 倒扫分歧分量：定义 ξ = x + ẋ/w（capture point，捕捉点），它只含不稳定模态。倒向传播 ξ 是收缩的：ξ_k = e^(−ωΔt)·ξ_{k+1} + (1−e^(−ωΔt))·p̄_k；
2. 正扫质心：给定 ξ(t)，质心方程 ẋ = −ωx + ωξ 正向是稳定的，一遍前向积分搞定。

落到代码上，整个"求解器"只有二十几行，没有任何矩阵求逆：

# 03_walk.py lipm_bounded()：两次稳定扫描求有界解deflipm_bounded(zx,zy,dt,z_c):w=np.sqrt(G/z_c)decay=np.exp(-w*dt)defbounded(z):n=len(z)xi=np.empty(n)# ξ = x + ẋ/w，只含不稳定模态xi[-1]=z[-1]# 边界：终点静止于末端 ZMPforkinrange(n-2,-1,-1):# 倒扫 ξ（时间反演后是收缩的）pm=0.5*(z[k]+z[k+1])# 线性插值 ZMP 取中点xi[k]=decay*xi[k+1]+(1-decay)*pm x=np.empty(n)x[0]=xi[0]# 初始速度 0：x0 = ξ0forkinrange(n-1):# 正扫质心（本身是收缩的）x[k+1]=decay*x[k]+(1-decay)*0.5*(xi[k]+xi[k+1])returnxreturnbounded(zx),bounded(zy)# x/y 两个方向各扫一遍

两行递推式就是预观控制的全部数值实现——它没有显式优化"未来 0.4 秒的 ZMP"，但倒扫把未来信息沿着收缩通道传回了每一帧，效果等价。

图 3｜终端输出：朴素倒推 48% 的点发散到 9.9×10⁵；双扫解幅值范围恰为 [起点 0.012, 终点 0.232]，且终点值与末端 ZMP 严格相等（静止校验通过）。

图 4｜上图：朴素倒推（红）对称对数坐标下的爆炸；下图：完整步态规划——灰色虚线是 ZMP（台阶状跟随支撑脚），蓝线是有界质心解，绿/橙是双脚轨迹。注意质心在每步开始前就先于 ZMP 移动：这就是预观控制"提前压重心"的直观形态。

到这里，步行仿真的离线管线在 Q1 上全部搭通，且每一步都有数值校验。

7. 闭环仿真：五次摔倒，五个机理

离线轨迹正确，喂给站位实验用的同一套 22 关节 PD 控制器在 MuJoCo 里闭环跑——这一步我迭代了十几轮，仿真里的机器人摔了十几轮。把十几轮压缩成五个失效机理，每个都有一手诊断数据。

先交代控制律。Q1 的低层是位置伺服（目标位置 + stiffness/damping），仿真侧的等价物就是逐关节 PD，力矩再裁剪到执行器范围：

# common.py：22 关节位置 PD（与 SDK stiffness/damping 同构）defpd_action(model,amap,q_target,data,gravity_ff=True):kp=np.array([gains_for(n)[0]forninamap.joint_names])# 髋膝150 踝100 肩肘40kd=np.array([gains_for(n)[1]forninamap.joint_names])# 12 / 8 / 3tau=kp*(q_target-amap.q(data))-kd*amap.qd(data)ifgravity_ff:tau=tau+data.qfrc_bias[amap.dadr]# 重力+科氏前馈（站位静差补偿）returnnp.clip(tau,model.actuator_ctrlrange[:,0],model.actuator_ctrlrange[:,1])

闭环主循环在离线参考之上叠了两层在线逻辑：100 Hz 重解足位 IK（热启动），以及一个限幅的质心位置反馈：

# 03_walk.py 闭环主循环（节选）ifstep_i%10==0:# 100 Hz 在线 IKfx=float(np.clip(Kc*(crx-com[0]),-0.03,0.03))# 质心反馈，限幅 3 cm_,ql=ik.solve(ik_rt,"left",tgt_l)# 目标脚位来自规划轨迹_,qr=ik.solve(ik_rt,"right",tgt_r)data.ctrl[:]=pd_action(model,amap,q22,data,gravity_ff=False)mujoco.mj_step(model,data)

就是这个看似合理的结构，摔了五次。

机理一：质心不在骨盆上。LIPM 规划的是全身质心，IK 的基座是骨盆，两者在本模型上差 13–19 mm（且随姿态变化）。骨盆参考若不迭代校准，起步姿态质心就偏出 1 cm。修复：在 IK 实际解上迭代测偏移至收敛。

机理二：位置控制踝的自然平衡点既不在踝轴也不在脚心。二分实验（3 种膝弯 × 2 种平衡点，各 3 秒站立）给出干净的数据：ZMP 规划点取踝轴 → 指数发散摔倒；取脚心 → 留 1–3.7 cm 静差；取踝前 12 mm（闭环实测自然平衡点）→ 收敛。位置伺服踝的平衡点由"踝 PD 刚度 × 体重力矩"的平衡决定，这是个闭环属性，不是几何属性。

二分实验的完整数据（站立 3 秒，质心相对目标的偏差轨迹）：

机理三：PD 静态滞后会在负重转移时被"脚滑"吸收。站立时骨盆比参考落后 3–4 cm（腿 PD 的静态柔顺），这本可共存；但当负重从左脚转移到右脚，卸载的左脚摩擦力骤降，腿 PD 为维持"骨盆-脚"参考几何，把滞后的误差转化为拖着脚在地板上滑——一脚滑 8 cm，全盘崩溃。骨盆滞后不可怕，可怕的是它总会找到出口。

机理四：无锚定的质心反馈让脚"溜冰"。我尝试加质心位置反馈（骨盆参考 += K·(参考−实测)），结果更糟：腿推质心向前，牛顿第三定律推脚向后，脚底打滑——质心几乎不动，双脚持续后滑。通过腿传递的质心控制，在脚可滑动时是零增益的。

机理五：侧向转移是压垮前向稳定的最后一根稻草。侧向质心移动本身被跟踪得不错，但侧向运动对前向轴的耦合扰动，让本就亚稳定的前向轴（机理二）失去平衡。横向一摆，前后一倒。

图 5｜闭环尝试的终端输出（节选）：站立段（t≤1.75s）质心跟踪参考 ±7 mm、俯仰 0.0°——PD 站位控制器稳稳接住了步行的前半段；t=2.0 第一步的负重转移触发机理三，随后级联。

图 6｜步行全过程的位移与姿态曲线：站立稳定（左段平台），第一步转移后发散。规划与实际的分岔点在图上一目了然。

7.5 稳定域扫描：失败不是偶然，而是参数边界

前面的闭环失败可能留下一个误解：是不是只要把步长再调小一点、把摆脚抬得更低一点，纯位置 PD 就能稳定走起来？为了把“调参没调好”和“控制结构存在边界”分开，我新增了一组参数扫描实验。扫描没有改变控制器、模型、MuJoCo 版本或质心高度，只改变步长和步高，所有网格点都使用同一套两步步态、在线足位 IK 和质心反馈流程。

本次扫描固定为：Q1 官方模型提交562b764a、MuJoCo 3.17.0、质心高度 0.415 m、腿部髋膝 PD 150/12、踝部 100/8、2 步、初始站立 0.25 s、收尾 0.25 s。步长取 20 mm 和 40 mm，步高取 20 mm 和 40 mm。选择这四个点不是为了制造一个漂亮的成功区域，而是为了直接回答工程问题：当轨迹几何已经非常保守时，纯位置 PD 是否仍然会在负重转移后失稳？

扫描脚本是scripts/05_stability_scan.py，每个网格点都调用正式的03_walk.py，输出独立的summary.json、walk_trace.csv和walk_curves.png，汇总结果写入results/05_stability_scan/stability_scan.csv/json。这里的“稳定”定义很严格：root_z 不跌破 0.35 m 且俯仰峰值不超过 45°；这是当前仿真控制结构的工程判据，不是真机安全标准。

扫描驱动器的核心逻辑很朴素——网格循环、逐点起独立进程、只汇总正式产物，保证任何一个点都能单独复核：

# 05_stability_scan.py（节选）：每个网格点都是一次完整正式仿真cmd=[sys.executable,"-X","utf8",str(SCRIPT),"--steps","2","--step-len",f"{step_len:.4f}","--step-height",f"{step_height:.4f}","--com-height","0.415","--ik-iters","60","--t-stand","0.25","--t-end","0.25","--out",str(out)]subprocess.run(cmd,cwd=str(REPO),timeout=timeout)# 稳定判据（与 03_walk.py 的 summary 相同口径）fell=z_min<0.35# 骨盆高度跌破 0.35 m 即判定摔倒stable=(notfell)andpitch_max<=45.0

图 7｜步长×步高稳定域：颜色表示俯仰峰值，网格内同时标出 PASS/FAIL。即使步长降到 20 mm、步高降到 20 mm，当前纯位置 PD 仍在闭环阶段倒地；这说明问题不在某一个激进步态参数，而在负重转移时缺少真正的踝力矩/ZMP 锚定。

图 8｜四个扫描点的指标对照：俯仰峰值均接近 90°，实际位移与规划位移方向相反。调小步长只改变“摔倒前走了多远”，没有改变“最终一定失稳”的结构性结论。

图 9｜边界内/边界外代表轨迹。这里的“边界内”仅表示四个点中俯仰峰值相对较小，并不代表真正稳定；在当前 2×2 扫描中，所有点都被判定为 FAIL，因此不能把热图误读成真机步行能力地图。

这组结果反而把仿真里的因果链拉得更直：LIPM 的离线轨迹可以有界，足位 IK 可以收敛到毫米级，但闭环系统是否能把这条轨迹“压”在支撑脚上，取决于控制器能不能直接调节 ZMP。步长和步高是运动规划参数，不是稳定性反馈；继续在这两个旋钮上做局部搜索，只会把失败时间推迟或改变滑移方向。下一步真正值得实现的不是更密的参数网格，而是踝力矩控制、接触状态估计和 ZMP 反馈。

8. 从摔倒数据反推控制器缺口：为什么仿真闭环必须有反馈层

新增稳定域扫描之后，规划层与控制层的分工更加清晰：前面的 LIPM 求解回答“理想质心应该怎么走”，而扫描回答“在现有位置 PD 结构里，哪些几何参数仍然救不了它”。回头再读 Kajita 2003 版预观控制的推导，才真正看懂它的目标函数：它最小化的不是"质心跟踪误差"，而是ZMP 跟踪误差，且解里显式含有 ZMP 反馈项（用实测 ZMP 修正质心加速度指令）。

在完整体系里，我的五个机理各有一个对应的解：机理一、二由 ZMP 反馈自动吸收（它不关心质心在哪，只关心 ZMP 是否在脚内）；机理三、四由"踝关节力矩控制"解决——Q1 的低层接口虽然只有位置+刚度，但刚度项产生的正是踝力矩，配上 ZMP 反馈就能实现"柔性锚定"；机理五在完整 3D 预观控制里 x/y 是耦合求解的，我分开规划本身就是一个简化损失。

换句话说：**我搭通了这套方法的规划器，漏了它的控制器；规划器保证轨迹动力学可行，控制器保证仿真里的机器人贴着轨迹走。**两半合起来才是完整的步行仿真。这也解释了为什么真实的人形平台（包括 Q1 的官方步态）无一例外在低层之上运行某种 ZMP/质心反馈——不是因为工程师不喜欢开环，是因为开环必然死于上面五个机理之一。

8.5 这条管线离 Q1 真机的低层接口有多远

把这条仿真管线对到 Q1 官方 SDK 的低层接口（/aima/hal/joint/command，字段 name/position/velocity/effort/stiffness/damping，500–1000 Hz），映射关系如下：

真正的差距不在消息格式，在反馈回路：本篇第 7 节的五个失效机理在真机上同样成立（真机关节伺服刚度更高、脚底橡胶摩擦更大，会把失稳推迟但不会消除），而真机上可用的反馈源正是/aima/hal/joint/state（500 Hz 关节状态）——用它重建质心和 ZMP 估计，接到本篇管线的反馈口，就是"仿真管线 + Q1 官方接口"的完整闭环。这也是这条仿真管线的最终价值：它的每个产物都有明确的真机落点。

9. 仿真复现清单与边界

给想在 Q1（或任意小人形）仿真里搭步行管线的读者一份浓缩清单：

1. 几何先行：脚长/宽、踝间距、com-骨盆偏移，全部从模型实测，别抄参数；
2. IK 用 DLS + 多起点重启，种子满足平脚闭链约束，收敛判据看末端误差（<2mm）不看迭代数；
3. LIPM 用两扫法（capture point 倒扫 + 质心正扫），别信"倒着积就稳定"；
4. ZMP 规划点用闭环自然平衡点（位置伺服踝实测），不是踝轴也不是脚心；
5. 闭环必须带反馈：要么踝力矩 + ZMP 反馈（经典方案），要么接受本篇的结论——纯位置 PD 开环步行在仿真里就不可行。

验证了什么：步行仿真离线管线全栈搭通（ZMP 规划、有界 LIPM、足位 IK，数值校验全过）；五个闭环失效机理的隔离定位；步长×步高稳定域扫描。没验证什么：Q1 上稳定行走（需要踝力矩控制/ZMP 反馈的实现与调参，是下一篇的题目）；真机上的一切。全部数据为本机单次仿真运行，官方模型文件未做修改。

9.5 工程复盘：这条管线给我的五个实践信条

一、几何先行，别抄参数。脚长 145 mm（相对踝不对称）、脚宽 46 mm、踝间距、com-骨盆偏移——全部从模型实测。这组数字直接决定了步态参数的可行域，抄别人的参数等于把别人的模型误差也抄进来。

二、数值方法要选"失败会留下痕迹"的。伪逆截断弱奇异方向是静默失败（误差卡住但不报错）；DLS 走得慢但误差单调下降，行为可预期。收敛判据看末端误差，不看迭代数。

三、规划器可行 ≠ 控制器可行。离线 LIPM 有界、IK 毫米级收敛，闭环照样摔——两者的分界就是 ZMP 反馈。这条信条值十几轮摔倒。

四、把失败机理命名，再用扫描验证归因。"摔了"不是结论，"死于机理三的负重转移滑移"才是；参数扫描进一步证明调参救不了结构问题——归因要走到能被实验证伪的那一层。

五、可视化实验台不是奢侈品。见下一节：没有实时画面和曲线，五个机理里至少有三个要多花一倍时间定位。

9.8 可视化实验台：把仿真状态量放回机器人画面

前面的表格和曲线回答了“数值上发生了什么”，但工程调试还需要回答另一个问题：**机器人当时到底处在什么姿态，仿真界面能不能把失稳过程看清楚？**为此，这套管线还配了两个本地实验台。它们不是装饰性网页，而是把渲染画面、状态量、实时曲线和批量扫描入口放在同一个可操作界面里。

MuJoCo 实验台运行在http://127.0.0.1:8765，页面左侧是 Q1 的实时 3D 渲染，右侧显示仿真时间、骨盆高度、前向位移、躯干俯仰和最大关节误差；下方曲线与当前模式同步刷新。站立、下蹲—起立、周期推力和零输入四种模式，分别对应“保持姿态”“改变质心高度”“外力扰动”和“撤掉控制输入”四类典型诊断。

图 11｜站立模式：同一控制器在可视化界面中实时显示骨盆高度和姿态误差，适合做增益、静差和模型加载的第一轮检查。

图 12｜下蹲—起立模式：用连续质心高度变化检验腿部 PD 的跟踪能力，页面上的曲线比单帧截图更容易发现回弹、滞后和过冲。

第二个页面是 Sim2Sim 实验台，运行在http://127.0.0.1:8767。它把 MuJoCo 3.17 和 PyBullet 3.25 的 3D 画面并排放置，底部叠加两套引擎的最大关节误差曲线。这个界面直观呈现了跨引擎实验的工程事实：控制律相同，不代表离散积分、默认阻尼、摩擦和执行器语义相同——同一套 PD 在两个引擎里需要各自核对稳定边界。

图 16｜Sim2Sim 双引擎总览：左侧 MuJoCo、右侧 PyBullet，同一目标轨迹同步推进，底部曲线实时展示两端误差。

图 17｜双引擎下蹲—起立：同一动作在两个动力学后端中并排显示，便于观察姿态、接触和误差曲线的差异。

图 18｜双引擎零输入：撤掉控制后，两套积分器从同一初始姿态出发，界面把“模型一致”与“动力学响应一致”明确区分开。

从工程视角看，这两个页面构成了一个小型实验闭环：浏览器负责观察状态，脚本负责生成可复核结果，CSV/JSON 负责保存证据，文章只引用已经跑过并核对过的图。后续若加入接触力传感、ZMP 估计和踝力矩控制，最自然的扩展位置也不是另起一套系统，而是在现有实验台的指标区增加 ZMP、支撑脚和接触裕度三组状态量。

10. 参考资料与代码

• 方法出处：Kajita S. 等，“The 3D Linear Inverted Pendulum Mode: A simple modeling for biped walking”（IROS 2001）；“Biped Walking Pattern Generation by using Preview Control of Zero-Moment Point”（ICRA 2003）
• 模型：primebot/q1-urdf（固定提交562b764a）
• 本文全部脚本与结果数据在 GitCode 仓库 mrdeam/q1mujoco 的 walk 分支，逐实验summary.json可复核

完整复现流程（Python 3.12 + mujoco 3.17.0，依赖锁定见仓库requirements-lock.txt）：

gitclone-bwalk https://gitcode.com/mrdeam/q1mujoco.gitcdq1mujoco python scripts/01_gait_geometry.py# 步态几何测量（图 1）python scripts/02_foot_ik.py# 足位 IK 验证（图 2）python scripts/04_lipm_plot.py# LIPM 求解器对比（图 3、图 4）python scripts/03_walk.py--steps6--step-len0.04--step-height0.035# 闭环步行尝试（图 5、图 6）python scripts/05_stability_scan.py --step-lens0.02,0.04\--step-heights0.02,0.04# 稳定域扫描（图 7、图 8、图 9）

每个脚本的输出都落在results/对应子目录，summary.json里是与正文完全相同的数字——文章不引用任何没有落盘的数据。

更多启元机器人开发资料可访问启元机器人开发者社区。