wb_humanoid_mpc

走进物理引擎的大脑：全人形身体非线性 MPC 的工程之美

从「拿水杯」说起：机器人控制的核心难题

想象一下，你让人形机器人「走向桌子拿起水杯」——这对人类而言是再平常不过的动作，但机器人完成它需要在毫秒级别内同时解决上百个非线性约束：脚掌与地面的摩擦力上限、关节力矩的安全边界、质心投影落在支撑多边形内、身体避免与环境碰撞……

传统的人形机器人控制通常是「分层」的：步态规划器先生成一组参考轨迹，逆运动学模块再转化为关节角度，最后低层控制器负责跟踪。这种架构的问题是：每一层的误差都会累积到下一层，而且无法处理跨越规划与控制边界的约束——比如「边走路边抬手」这类 loco-manipulation 任务，传统的分层架构很难优雅地解决。

Whole-Body Humanoid MPC（全身人形模型预测控制） 所做的，就是把这一切都纳入同一个优化框架，用数学规划一次性给出全身的最优动作方案。

背景：Manuel Yves Galliker 与 1X Technologies 的技术赌注

该项目由机器人学研究者 Manuel Yves Galliker 创建，他在 1X Technologies 工作期间主持开发了这套人形 MPC 系统。1X Technologies 是一家专注于人形机器人商业化的挪威公司，其 Neo 机器人已在实际场景中部署——这意味着 Galliker 的工作不是学术玩票，而是从真实产品需求中抽象出来的工程实现。

2024年，Galliker 将该项目正式开源，同时发布了其对 ocs2 的扩展版本 ocs2_ros2。ocs2（Optimal Control for Switched Systems）是苏黎世理工 leggedrobotics 实验室的标志性框架，但原始版本主要面向四足机器人和工业机械臂。Galliker 的工作将 ocs2 扩展到人形机器人领域，并在 ROS2 Humble/Jazzy 环境下完成了完整的集成适配。

两套 MPC 实现：质心与全身

项目包含两套并行的 MPC 控制器：

质心动力学 MPC（Centroidal Dynamics MPC） 是计算友好的方案。它将全身质量简化为质点加惯性张量，优化的变量是质心位置/速度和躯干姿态。这种近似在大多数行走场景下足够精确，计算量可控，适合高频率（数百Hz）控制的人形步态生成。理论基础见 Sleiman et al., ICRA 2021 提出的统一 MPC 框架。

全身动力学 MPC（Whole-Body Dynamics MPC） 是更精细的方案。它在关节加速度层面进行优化，同时考虑接触力分配和逆动力学约束。可以生成更精细的动作（弯腰、侧身、跨越障碍时的全身协调），代价是计算量更大。理论基础见 Galliker et al., Bipedal Locomotion with Nonlinear MPC（Caltech）。

两者的共同底层依赖：

• Pinocchio：高速铰接式刚体动力学库，负责正/逆动力学及其导数计算。Pinocchio 核心算法经过 SIMD 优化。
• HPIPM：高效的稀疏QP求解器，用于求解每个控制周期内的优化问题。相比通用求解器，HPIPM 在稀疏结构上可提速数十倍。
• CasADi + 自动微分：ocs2 框架使用 CasADi 的符号表达式自动生成 C++ 优化代码，首次编译时耗时较长（5-15分钟），但生成的代码运行效率极高。

代码架构：三个层次的解耦

项目采用 ROS2 colcon 工作空间组织，分为三个顶层包：

humanoid_nmpc（控制器核心）：包含 humanoid_centroidal_mpc（质心MPC）、humanoid_wb_mpc（全身MPC）、humanoid_common_mpc（共享库）、humanoid_common_mpc_pyutils（Python工具）和 humanoid_common_mpc_ros2（ROS2接口）。加上针对 Unitree G1 的 ROS2 封装包 humanoid_centroidal_mpc_ros2 和 humanoid_wb_mpc_ros2。remote_control 包提供 Xbox 手柄和 GUI 交互界面。

robot_models（机器人模型）：存放 URDF 描述文件。目前支持 Unitree G1，1X Neo 即将加入。

robot_runtime（运行时与仿真）：负责与仿真器通信，接收 MPC 输出的关节指令并下发。

快速上手：从零到仿真

Docker 方式（推荐）：克隆仓库后，用 VS Code Dev Containers 或提供的 bash 脚本构建 Docker 镜像并启动容器：

git clone https://github.com/1x-technologies/wb-humanoid-mpc.git
cd wb-humanoid-mpc/docker
./image_build.bash && ./launch_wb_mpc.bash
make build-all

本地方式：需预先安装 ROS2 Jazzy（或 Humble），通过以下命令安装系统依赖：

envsubst < dependencies.txt | xargs sudo apt install -y
make build-all

⚠️ 首次编译会触发 CasADi 自动微分代码生成，耗时 5-15 分钟。RAM 需求：默认2并行需16GiB，4并行需32GiB，6并行需64GiB。

运行仿真：

# 质心 MPC（适合步行）
make launch-g1-dummy-sim

# 全身 MPC（适合 loco-manipulation）
make launch-wb-g1-dummy-sim

启动后自动弹出 RViz 可视化窗口和交互控制器 GUI，支持 Xbox 手柄或 GUI 滑块实时控制机器人基座速度（前后/左右/转向）和高度。

适用人群与前置要求

这是一个严肃的机器人工程工具，需要扎实的机器人学基础（刚体动力学、接触力学）、理解 MPC 原理（有限时域优化、约束处理）、熟练使用 Linux 和 ROS2。RAM 16GB 起步，推荐 32GB+。GPU 不需要，全部计算在 CPU 完成。

目前支持的实体机器人只有 Unitree G1。从能力边界看：该项目是纯运动控制层，不包含感知、任务级规划或强化学习组件。它解决的是「给定目标，机器人怎么动」的问题，而非「目标是什么」的问题。

行业意义：填补人形 MPC 的开源空白

开源全身 MPC 的项目在学术界和工业界都极度稀缺。苏黎世理工的 ocs2 是最接近的标杆，但它面向四足机器人设计，对人形机器人的适配缺乏端到端参考。

Galliker 的项目填补了这一空白：两套方案并存让研究者可以直接对比质心和全身两种思路的优劣；ROS2 原生集成解决了学术代码难以复现的问题；1X Technologies 的商业化背景保证了代码的工程成熟度；ocs2_ros2、Pinocchio、HPIPM 的版本都经过兼容性验证。

随着 Figure、1X、宇树等公司的人形机器人逐步商业化，wb_humanoid_mpc 有望成为人形机器人社区的事实标准控制器基座之一。