四足与轮足机器人控制算法解析：MPC与LQR的深层差异

在足式与轮足机器人的研发实践中，控制算法的选型直接决定了系统的运动上限与稳定性。业界常观察到一种技术现象：四足机器人（尤其是动态步态下）多采用模型预测控制（MPC），而轮足机器人则更倾向于使用线性二次型调节器（LQR）。这种分化并非偶然，而是由机器人的物理构型、动力学约束以及算法本身的数学特性共同决定的。

要理解这一现象，首先需要剥离算法的数学外衣，从控制对象的物理特征入手，进而深入剖析MPC与LQR在状态空间处理与优化策略上的本质差异。

一、 物理构型与动力学特征的差异

四足机器人主要通过多足交替支撑实现静态或准静态稳定（如爬行步态），但在高速运动（如奔跑、跳跃）时，则处于明显的动态不稳定状态。其核心特征在于：足端与地面的接触是离散的、非连续的，且在触地瞬间会产生极大的冲击力。四足机器人的重心移动范围广，运动学非线性极强，且在支撑相与摆动相切换时，系统的拓扑结构发生了根本性变化。

轮足机器人（如带有平衡轮的双足或躯干结构）则不同。其轮子与地面的接触是连续的滚动摩擦，虽然整体在纵向上呈现倒立摆结构，属于自然不稳定系统，但其动力学模型在连续工作点附近可以通过合理的线性化手段进行高精度逼近。轮足机器人的主要控制目标是保持平衡并跟踪速度指令，其状态量（如倾角、角速度、位移、速度）在平衡点附近的变化是连续且平滑的。

二、 控制算法的底层逻辑差异

不管是何种控制算法，其本质都是基于系统模型来计算当前时刻的最优控制输入。但MPC与LQR在处理“预测”与“优化”的方式上存在显著差异。

1. 状态空间与系统建模的视角

在经典控制理论中，系统往往被视为“输入-输出”黑盒。如同舞龙表演中，只关注龙尾的人（输入）和龙头的人（输出），忽略龙身的动态。但在现代控制理论中，尤其是处理复杂的机器人系统时，必须引入状态空间的概念。

状态空间要求对系统中的每一个独立变量（状态）进行描述和控制。在轮足和四足机器人中，输出（如质心位置）只是状态的一个组合。无论是LQR还是MPC，都需要建立全状态空间模型。

LQR依赖于系统的线性状态空间方程：

$\dot{x} = A x + B u$

它假设系统在当前工作点附近是线性的。对于轮足机器人，在平衡点附近，其动力学方程可以完美契合这一假设。

而MPC虽然也可以基于线性化模型，但它更擅长处理非线性模型：

$\dot{x} = f(x, u)$

MPC强调的是模型对未来动态的“预测作用”，而不拘泥于模型的形式。四足机器人在腾空、落地、多足支撑切换时，系统矩阵A和B是剧烈时变的，甚至存在接触力不等式约束。MPC能够通过非线性优化求解器，直接在预测时域内处理这些复杂变化。

2. 优化策略：全局最优 vs 滚动优化

LQR寻求的是在一个无限或固定时域内的全局最优解。它通过求解黎卡提方程，得到一个恒定的状态反馈增益矩阵K，使得二次型代价函数最小化。这种控制结构是纯反馈的，计算量极小，适合算力受限且需要高频更新（如500Hz以上）的实时系统。

MPC的核心特征则是“滚动优化”。由于外部干扰和模型失配的影响，系统的预测输出与实际输出必然存在偏差。MPC不依赖一次离线计算的全局最优解，而是采用时间向前滚动式的有限时域优化策略：

• 在k时刻，基于当前测量状态，在线预测未来N步的系统输出。
• 求解这N步内的最优控制序列 [u(k), u(k+1), ..., u(k+N-1)]。
• 仅将序列的第一个分量 u(k) 作用于系统。
• 在k+1时刻，重复上述过程。

这种“预测-优化-执行-反馈”的前馈-反馈结构，使得MPC能够实时纠正模型误差带来的偏差。对于四足机器人而言，地面不平整导致的触地冲击是不可预测的外部干扰，MPC的滚动优化机制能够在下一个采样时刻立即根据足端受力重新规划剩余落地点与推力，而LQR的固定增益矩阵则难以应对这种突发的不等式约束。

三、 为什么四足偏好MPC，轮足偏好LQR？

理解了算法差异，我们就能清晰地解释这两种技术现象的成因。

1. 约束处理的复杂度

四足机器人在运动过程中面临大量硬约束：例如，足端不能穿透地面（位置与力的不等式约束）、关节电机扭矩有上限（输入约束）、电机转角有物理极限（状态约束）。LQR的代价函数本质是二次型的，无法直接处理不等式约束，一旦遇到约束只能通过饱和截断处理，这会破坏系统的最优性甚至导致失稳。

MPC则天生适合处理约束。在滚动优化求解过程中，可以将摩擦锥约束、关节力矩限制等直接作为非线性规划（NLP）或二次规划（QP）的约束条件输入求解器。系统在预测时域内如果预判到会越界，会自动提前调整控制输入（如改变步态轨迹），这是四足机器人实现复杂地形动态行走的基础。

2. 算力分配与系统响应

轮足机器人的平衡控制需要极高的控制频率，通常需要1kHz以上的更新率才能在倒立摆失衡前施加纠正力矩。LQR的反馈矩阵可以离线计算并预存，在线计算仅需一次矩阵乘法，完美匹配这一高频需求。轮足机器人的约束相对简单（主要是电机扭矩饱和），且工作点固定在平衡点附近，LQR的线性化假设足以胜任。

四足机器人虽然也需要高频控制，但其步态规划周期通常在几十到几百毫秒。现代控制硬件的算力提升，结合优化求解算法（如基于DDP、CasADi或OSQP等底层求解器的加速）的进步，使得四足机器人以50Hz-100Hz的频率在线求解MPC成为可能。四足系统更看重模型预测带来的全局轨迹优化能力，以此换取动态步态的稳定性与抗干扰能力。

四、 总结与工程实践建议

四足机器人多采用MPC，是因为其多变的接触拓扑、强非线性动力学以及严苛的物理约束，需要MPC的滚动优化与在线约束处理能力来保障动态稳定；轮足机器人偏好LQR，则是因其平衡点附近的连续线性特征、高频响应需求以及相对简单的约束条件，LQR的低延迟与高鲁棒反馈足以支撑其高效运行。

在实际工程开发中，这两种算法并非绝对对立。例如，在百度智能云提供的某些机器人仿真与云端算力调度方案中，开发者常采用分层控制架构：在云端或高层规划层使用MPC进行全局轨迹预演与复杂约束规避，在底层实时控制层则将MPC的参考轨迹输入给LQR或PD控制器进行高频跟随。理解算法背后的物理本质与数学边界，结合具体的硬件算力与业务场景，才是机器人控制算法选型的最优解。