中國團隊新突破！HUSKY框架讓人形機器人成了“滑板高手”！

人形機器人也能輕松操控滑板了？近日，中國電信人工智能研究院聯合上海交通大學、中國科學技術大學、上海科技大學等機構的研發團隊，提出了 HUSKY 物理感知全身控制框架。依托 Unitree G1 人形機器人平臺，這套框架讓人形機器人真正掌握了滑板的推進、轉向技能，還能流暢完成推滑與轉向之間的動作切換。無論是室內平整地面，還是戶外各類場景，它都能穩定滑行，遭遇外部干擾時，也能及時調整姿態、保持平衡不摔倒。

01.

人形機器人滑板，難在比想象中更復雜的動態控制

沒人會覺得人形機器人玩滑板是件容易事，這背后的技術難點，遠不止讓機器人站在滑板上不晃那么簡單。和機器人以往面對的靜態環境不同，滑板本身是一個欠驅動的輪式平臺，運動時受非完整約束限制，機器人和滑板之間的人機耦合作用，會讓整個系統的動力學特性變得高度非線性。

簡單來說，機器人需要同時控制自身身體平衡，還要間接操控腳下這個一直在移動的支撐基座。這種緊密耦合的欠驅動狀態，稍有控制不當就會失穩。此前傳統的模型基方法，大多靠簡化的動力學模型做軌跡規劃，但滑板的真實運動特性太過復雜，簡化模型根本捕捉不到核心細節；再加上求解高維非凸優化問題的計算成本極高，完全滿足不了滑板動態運動的實時控制需求。

近幾年興起的深度強化學習，雖在四足機器人滑板、人形機器人輪滑等任務中展現出一定優勢，可面對人形機器人本身的高維狀態和動作空間，再疊加滑板的動態耦合效應，想要實現穩健的全身協調控制難度極大。即便有些方案能在仿真環境中做出滑板動作，也因忽略了真實硬件的物理約束，以及仿真與現實之間的固有差距，始終無法落地到真實場景中。

研究團隊提出的 HUSKY 框架，先從拆解滑板的物理特性入手，細致分析了滑板的甲板、轉向架、車輪等核心結構，再通過深入研究轉向架的機械幾何關系，推導出板體傾斜角和轉向架轉向角之間的硬性約束公式 ——tanσ=tanλ?sinγ（其中 λ 是滑板的固定前角，σ 是轉向架轉向角，γ 是板體傾斜角），這套物理模型也成了后續所有控制策略的基礎。

02.

讓機器人像人一樣發力，不僵硬更穩定

推動滑板向前，推進環節的分寸感極難拿捏。腳蹬地面的力度要恰到好處，既能產生持續的動力，又不能破壞單腳踩板時的身體重心。同時，動作必須自然流暢，否則無法應對多變的滑行速度，也難以精準把控腳與地面、滑板的接觸時機。

傳統的參考軌跡跟蹤方法并不適用這類場景。這類方法將動作固化為預設模板，執行起來機械僵硬，一旦現實環境出現微小偏差，整個系統就可能失去控制。

團隊為此引入了對抗性運動先驗（AMP）技術，核心是讓機器人從人類的滑板推滑數據中自主學習。他們為機器人構建了一個包含五個時間步的運動窗口，通過判別器持續對比機器人的動作軌跡與人類的示范軌跡，在反復的對抗訓練中，引導機器人的控制策略向人體的運動力學邏輯靠攏。

這種學習方式徹底打破了固定軌跡的枷鎖。實驗數據的對比極為鮮明：單純跟蹤參考動作的方案，任務成功率僅為 11.12%；而搭載 AMP 技術的推進策略，成功率高達 100%，速度跟蹤誤差低至 0.056。關節動作的流暢度顯著提升，腳與滑板、地面的接觸誤差也幾乎可以忽略不計。此刻的機器人，不再是生硬地執行 “蹬地” 指令，而是通過更協調的全身動作自然發力，實現了高效與穩定的統一。

03.

物理制導轉向：靠身體傾斜控向，精準又省力

滑板的轉向，核心原理就是靠身體傾斜帶動板體傾斜，進而驅動轉向架轉動實現變向。HUSKY 框架將這一物理原理發揮到極致，專門打造了物理制導的轉向策略。

團隊借鑒車輛動力學中的自行車模型，刻意忽略次要的橫向滑動和垂直動力學影響，將焦點完全放在滑板的偏航運動上。他們先把滑板的偏航率與板體傾斜角建立關聯，再結合之前推導出的板體傾斜與轉向架轉動的物理約束，最終精準計算出實現目標轉向所需的板體傾斜角參考值。簡單來說，機器人一旦接收到轉向指令，就能根據當前滑板速度、目標航向，精確算出需要傾斜的角度，再通過自身身體傾斜誘導板體完成對應動作，整個轉向過程都嚴格貼合物理規律。

為了進一步提升機器人轉向時的平衡穩定性，團隊還在滑板轉向架上方設置了兩個虛擬標記點，專門引導機器人將雙腳精準放置在這個最優位置。實驗對比的結果十分直觀：沒有物理制導的傾斜參考時，機器人只能自主摸索傾斜角度，不僅航向跟蹤誤差高達 0.233，可到達的航向范圍也十分狹窄；加入物理制導后，航向跟蹤誤差直接降至 0.208，轉向精準度大幅提升，可實現的轉向范圍也顯著擴大，即便是連續轉向動作，也能平穩完成。

04.

破解推滑轉向切換的最大難題

推進和轉向，是滑板運動中兩個截然不同的動作相位：推進時單腳踩板、單腳蹬地，轉向時雙腳均需置于板上。二者的身體姿態、接觸動力學、控制目標差異極大，直接切換極易導致機器人失穩，這也是此前很多方案難以實現連續滑板的核心卡點。

針對這一痛點，HUSKY 框架專門設計了軌跡引導過渡機制，本質就是為機器人規劃一套平滑的中間動作，幫助它從推進姿態平穩過渡到轉向姿態，反之也能順暢切換。團隊篩選出能代表機器人核心運動的關鍵身體部位，用 n 階貝塞爾曲線規劃這些部位的平移軌跡，確保移動過程平滑無頓挫；同時采用球面線性插值（slerp）處理這些部位的姿態轉換，避免轉動時出現突兀感和失衡問題。

這套過渡機制摒棄了固定的預設動作，而是以機器人當前相位的實際末端姿態為起點，以目標相位的標準穩定姿態為終點，動態生成中間參考軌跡，完美貼合機器人的實時運動狀態。實驗數據的對比十分清晰：僅靠參考動作引導過渡，機器人的接觸誤差會高達 0.394，腳位錯誤頻發；只規劃平移軌跡、忽略姿態調整，會導致航向跟蹤失常，機器人也無法擺好轉向姿態；而 HUSKY 的完整過渡策略，將接觸誤差控制在 0.001，讓推進到轉向、轉向到推進的切換實現無縫銜接，真正達成了連續的滑板循環。

05.

精準還原物理特性，突破虛實鴻溝

讓仿真里訓練好的機器人，在真實世界中也能穩定滑板，關鍵在于抹平仿真與現實之間的物理差距。

首先是滑板物理參數的精準識別。團隊通過自由衰減滾動響應實驗，讓真實滑板完成傾斜后的自由擺動，精準測量擺動周期、振幅衰減等關鍵數據，進而計算出滑板轉向架襯套的扭轉剛度和阻尼系數。結合滑板的轉動慣量，他們在仿真環境中搭建出與真實滑板高度一致的彈簧 - 阻尼模型。如此一來，仿真里的滑板物理特性與現實幾乎無異，機器人在仿真中習得的動作，到了真實場景才不會 “水土不服”。

其次是領域隨機化訓練。為提升機器人控制策略的魯棒性，團隊在仿真訓練階段，特意對機器人質心、滑板質心、機器人與滑板的摩擦系數、關節初始位置等參數進行隨機擾動，讓機器人在訓練過程中逐步適應各種微小的環境變化。這樣一來，當它進入真實世界，即便遇到不可預測的物理偏差，也能保持穩定運行。

在 Unitree G1 人形機器人的真實測試中，這套框架的表現十分亮眼：機器人以 50Hz 的控制頻率穩定運行，關節位置由 500Hz 的 PD 控制器精準跟蹤，可順利完成連續的滑板循環。無論是室內平整地面，還是戶外各類場景，它都能穩定推進、靈活轉向；即便換上不同剛度的滑板，也能快速適配；遭遇輕微外部干擾時，還能迅速調整身體姿態，穩穩保持平衡不摔倒。更值得一提的是，機器人動作切換時的腳部運動，和人類極為相似：蹬地發力后平穩抬腳，精準落在滑板的標記位置，落板后還會輕輕調整身體，讓軀干與滑板甲板保持垂直，為后續轉向做好充分準備。

06.

不止是“玩滑板”，為動態人機交互控制打開新思路

HUSKY 框架的提出，不僅讓人形機器人解鎖了一項酷炫技能，更重要的是，它為解決高動態、強耦合的復雜控制問題，提供了一套可復用的思路，它將物理建模與強化學習深度融合，先從物理本質出發摸清被控對象的規律，再用學習型方法實現精準的全身控制，讓機器人的動作既有扎實的物理依據，也具備足夠的靈活性和魯棒性。

當然，目前這套框架仍有繼續拓展的空間。現階段，機器人的控制主要依賴本體感知信息，相機的視野局限了它對滑板狀態、輪地交互的觀察；后續加入視覺狀態估計，實現感知驅動的閉環控制，機器人的滑板能力便能再上一個臺階。當前的實驗也主要在平坦的簡單地形開展，若想讓機器人像人類滑板手一樣，在滑板公園完成轉彎、過障礙甚至簡單的特技動作，還需要融入更豐富的人類運動先驗，設計出適配復雜地形的自適應控制策略。

未來，這套融合物理感知的全身控制思路，還能遷移到更多人形機器人的動態任務中，比如輪滑、騎行，或是非結構化地形中的移動作業。這會讓人形機器人在動態環境中的適應能力不斷提升，也讓它離真正走進現實生活、完成多樣化任務，又近了一步。

論文地址：https://arxiv.org/pdf/2602.03205

項目地址：https://husky-humanoid.github.io/