人形机器人也能轻松操控滑板了？近日，中国电信人工智能研究院联合上海交通大学、中国科学技术大学、上海科技大学等机构的研发团队，提出了 HUSKY 物理感知全身控制框架。依托 Unitree G1 人形机器人平台，这套框架让人形机器人真正掌握了滑板的推进、转向技能，还能流畅完成推滑与转向之间的动作切换。无论是室内平整地面，还是户外各类场景，它都能稳定滑行，遭遇外部干扰时，也能及时调整姿态、保持平衡不摔倒。

>

01.

人形机器人滑板，难在比想象中更复杂的动态控制

没人会觉得人形机器人玩滑板是件容易事，这背后的技术难点，远不止让机器人站在滑板上不晃那么简单。和机器人以往面对的静态环境不同，滑板本身是一个欠驱动的轮式平台，运动时受非完整约束限制，机器人和滑板之间的人机耦合作用，会让整个系统的动力学特性变得高度非线性。

>

简单来说，机器人需要同时控制自身身体平衡，还要间接操控脚下这个一直在移动的支撑基座。这种紧密耦合的欠驱动状态，稍有控制不当就会失稳。此前传统的模型基方法，大多靠简化的动力学模型做轨迹规划，但滑板的真实运动特性太过复杂，简化模型根本捕捉不到核心细节；再加上求解高维非凸优化问题的计算成本极高，完全满足不了滑板动态运动的实时控制需求。

近几年兴起的深度强化学习，虽在四足机器人滑板、人形机器人轮滑等任务中展现出一定优势，可面对人形机器人本身的高维状态和动作空间，再叠加滑板的动态耦合效应，想要实现稳健的全身协调控制难度极大。即便有些方案能在仿真环境中做出滑板动作，也因忽略了真实硬件的物理约束，以及仿真与现实之间的固有差距，始终无法落地到真实场景中。

>

研究团队提出的 HUSKY 框架，先从拆解滑板的物理特性入手，细致分析了滑板的甲板、转向架、车轮等核心结构，再通过深入研究转向架的机械几何关系，推导出板体倾斜角和转向架转向角之间的硬性约束公式 ——tanσ=tanλ・sinγ（其中 λ 是滑板的固定前角，σ 是转向架转向角，γ 是板体倾斜角），这套物理模型也成了后续所有控制策略的基础。

02.

让机器人像人一样发力，不僵硬更稳定

推动滑板向前，推进环节的分寸感极难拿捏。脚蹬地面的力度要恰到好处，既能产生持续的动力，又不能破坏单脚踩板时的身体重心。同时，动作必须自然流畅，否则无法应对多变的滑行速度，也难以精准把控脚与地面、滑板的接触时机。

传统的参考轨迹跟踪方法并不适用这类场景。这类方法将动作固化为预设模板，执行起来机械僵硬，一旦现实环境出现微小偏差，整个系统就可能失去控制。

团队为此引入了对抗性运动先验（AMP）技术，核心是让机器人从人类的滑板推滑数据中自主学习。他们为机器人构建了一个包含五个时间步的运动窗口，通过判别器持续对比机器人的动作轨迹与人类的示范轨迹，在反复的对抗训练中，引导机器人的控制策略向人体的运动力学逻辑靠拢。

这种学习方式彻底打破了固定轨迹的枷锁。实验数据的对比极为鲜明：单纯跟踪参考动作的方案，任务成功率仅为 11.12%；而搭载 AMP 技术的推进策略，成功率高达 100%，速度跟踪误差低至 0.056。关节动作的流畅度显著提升，脚与滑板、地面的接触误差也几乎可以忽略不计。此刻的机器人，不再是生硬地执行 “蹬地” 指令，而是通过更协调的全身动作自然发力，实现了高效与稳定的统一。

03.

物理制导转向：靠身体倾斜控向，精准又省力

滑板的转向，核心原理就是靠身体倾斜带动板体倾斜，进而驱动转向架转动实现变向。HUSKY 框架将这一物理原理发挥到极致，专门打造了物理制导的转向策略。

>

团队借鉴车辆动力学中的自行车模型，刻意忽略次要的横向滑动和垂直动力学影响，将焦点完全放在滑板的偏航运动上。他们先把滑板的偏航率与板体倾斜角建立关联，再结合之前推导出的板体倾斜与转向架转动的物理约束，最终精准计算出实现目标转向所需的板体倾斜角参考值。简单来说，机器人一旦接收到转向指令，就能根据当前滑板速度、目标航向，精确算出需要倾斜的角度，再通过自身身体倾斜诱导板体完成对应动作，整个转向过程都严格贴合物理规律。

>

为了进一步提升机器人转向时的平衡稳定性，团队还在滑板转向架上方设置了两个虚拟标记点，专门引导机器人将双脚精准放置在这个最优位置。实验对比的结果十分直观：没有物理制导的倾斜参考时，机器人只能自主摸索倾斜角度，不仅航向跟踪误差高达 0.233，可到达的航向范围也十分狭窄；加入物理制导后，航向跟踪误差直接降至 0.208，转向精准度大幅提升，可实现的转向范围也显著扩大，即便是连续转向动作，也能平稳完成。

04.

破解推滑转向切换的最大难题

推进和转向，是滑板运动中两个截然不同的动作相位：推进时单脚踩板、单脚蹬地，转向时双脚均需置于板上。二者的身体姿态、接触动力学、控制目标差异极大，直接切换极易导致机器人失稳，这也是此前很多方案难以实现连续滑板的核心卡点。

>

针对这一痛点，HUSKY 框架专门设计了轨迹引导过渡机制，本质就是为机器人规划一套平滑的中间动作，帮助它从推进姿态平稳过渡到转向姿态，反之也能顺畅切换。团队筛选出能代表机器人核心运动的关键身体部位，用 n 阶贝塞尔曲线规划这些部位的平移轨迹，确保移动过程平滑无顿挫；同时采用球面线性插值（slerp）处理这些部位的姿态转换，避免转动时出现突兀感和失衡问题。

>

这套过渡机制摒弃了固定的预设动作，而是以机器人当前相位的实际末端姿态为起点，以目标相位的标准稳定姿态为终点，动态生成中间参考轨迹，完美贴合机器人的实时运动状态。实验数据的对比十分清晰：仅靠参考动作引导过渡，机器人的接触误差会高达 0.394，脚位错误频发；只规划平移轨迹、忽略姿态调整，会导致航向跟踪失常，机器人也无法摆好转向姿态；而 HUSKY 的完整过渡策略，将接触误差控制在 0.001，让推进到转向、转向到推进的切换实现无缝衔接，真正达成了连续的滑板循环。

05.

精准还原物理特性，突破虚实鸿沟

让仿真里训练好的机器人，在真实世界中也能稳定滑板，关键在于抹平仿真与现实之间的物理差距。

>

首先是滑板物理参数的精准识别。团队通过自由衰减滚动响应实验，让真实滑板完成倾斜后的自由摆动，精准测量摆动周期、振幅衰减等关键数据，进而计算出滑板转向架衬套的扭转刚度和阻尼系数。结合滑板的转动惯量，他们在仿真环境中搭建出与真实滑板高度一致的弹簧 - 阻尼模型。如此一来，仿真里的滑板物理特性与现实几乎无异，机器人在仿真中习得的动作，到了真实场景才不会 “水土不服”。

其次是领域随机化训练。为提升机器人控制策略的鲁棒性，团队在仿真训练阶段，特意对机器人质心、滑板质心、机器人与滑板的摩擦系数、关节初始位置等参数进行随机扰动，让机器人在训练过程中逐步适应各种微小的环境变化。这样一来，当它进入真实世界，即便遇到不可预测的物理偏差，也能保持稳定运行。

在 Unitree G1 人形机器人的真实测试中，这套框架的表现十分亮眼：机器人以 50Hz 的控制频率稳定运行，关节位置由 500Hz 的 PD 控制器精准跟踪，可顺利完成连续的滑板循环。无论是室内平整地面，还是户外各类场景，它都能稳定推进、灵活转向；即便换上不同刚度的滑板，也能快速适配；遭遇轻微外部干扰时，还能迅速调整身体姿态，稳稳保持平衡不摔倒。更值得一提的是，机器人动作切换时的脚部运动，和人类极为相似：蹬地发力后平稳抬脚，精准落在滑板的标记位置，落板后还会轻轻调整身体，让躯干与滑板甲板保持垂直，为后续转向做好充分准备。

06.

不止是“玩滑板”，为动态人机交互控制打开新思路

HUSKY 框架的提出，不仅让人形机器人解锁了一项酷炫技能，更重要的是，它为解决高动态、强耦合的复杂控制问题，提供了一套可复用的思路，它将物理建模与强化学习深度融合，先从物理本质出发摸清被控对象的规律，再用学习型方法实现精准的全身控制，让机器人的动作既有扎实的物理依据，也具备足够的灵活性和鲁棒性。

当然，目前这套框架仍有继续拓展的空间。现阶段，机器人的控制主要依赖本体感知信息，相机的视野局限了它对滑板状态、轮地交互的观察；后续加入视觉状态估计，实现感知驱动的闭环控制，机器人的滑板能力便能再上一个台阶。当前的实验也主要在平坦的简单地形开展，若想让机器人像人类滑板手一样，在滑板公园完成转弯、过障碍甚至简单的特技动作，还需要融入更丰富的人类运动先验，设计出适配复杂地形的自适应控制策略。

未来，这套融合物理感知的全身控制思路，还能迁移到更多人形机器人的动态任务中，比如轮滑、骑行，或是非结构化地形中的移动作业。这会让人形机器人在动态环境中的适应能力不断提升，也让它离真正走进现实生活、完成多样化任务，又近了一步。

论文地址：https://arxiv.org/pdf/2602.03205

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