2026年10月28日上午，中国科学院大学人工智能学院有幸邀请北京理工大学余张国特聘教授，在雁栖湖校区教一楼208教室为同学们带来科学前沿讲座——《人形机器人运动控制：技术演进与研究进展》。余张国教授结合北京理工大学人形机器人团队的研究实践，回顾了人形机器人发展历程，从移动通行、物理作业与智能自主三个维度分析其技术能力与发展现状，梳理了整机设计方案与运动控制技术演进路径，阐释了基于模型求解与基于数据驱动强化学习两类控制方法的实现思路，并介绍了生成式模型在运动控制领域的研究进展及团队最新成果。
讲座伊始，余老师介绍了人形机器人的发展愿景：无需改造现有工作生活环境，便可直接使用各类工具、适应复杂地形，是集机构、驱动、感知与智能于一体的技术制高点。在发展脉络上，早稻田大学 1973 年研制出首台双足机器人，本田 ASIMO、波士顿动力 Atlas 相继问世；2022 年特斯拉提出量产计划，掀起全球研发热潮；国内自 "八五" 计划起持续投入，于 2022 年推出新一代人形机器人。他表示，移动通行、物理作业与智能自主是机器人完成复杂任务的三项基础能力，目前仍存在功耗偏高、不确定场景下作业能力不足等问题。
在硬件机构方面，余老师讲解了传动驱动与关节设计的演进。早期机器人依靠谐波减速器降速放大扭矩；当前主流方案采用一体化旋转关节与减速器，兼顾性能并降低成本。现代设计多用低速大扭矩电机配合小减速比，减小反射惯量，使关节运动更平顺、便于力控制；驱动单元前置的并联结构减小转动惯量，足底缓冲设计可迅速吸收着地冲击。未来还需发展刚柔结合的仿生机构提升交互安全性，无框电机则便于定制集成、助力轻量化。
在运动控制部分，余老师首先介绍了基于模型求解的传统方法：借助倒立摆模型使零力矩点始终落在支撑多边形内以维持平衡；模型预测控制将问题离散化并滚动优化，适应地形变化与扰动。这类方法可解释性强，但依赖状态估计的准确性，需在模型精度与计算速度之间权衡。随后，余老师讲解了基于数据驱动的强化学习方法：在仿真环境中借助 GPU 并行海量优化，将策略压缩进神经网络，通过教师 — 学生网络蒸馏弥补真实数据不足；训练中加入质量、惯量、摩擦与推力等随机扰动，提升地形适应能力。强化学习可涌现 "五点跑" 等非预设行为，但存在仿真与现实差距、机理难析、缺乏硬约束等问题。
余老师指出，两类方法本质上都是优化问题，区别在于经典控制是在线实时优化，强化学习是仿真中的离线海量优化。未来机器人控制将走向多模态与生成式模型驱动，依托大模型和扩散模型提升跨任务、跨环境的泛化能力。
结合团队研究，余老师分享了两项工作：针对机器人地面起立难题，团队采用分阶段控制，先辅助上身直立、再调整姿态，实现不同地形下稳定起立；针对泥地等软质地面，团队利用扩散模型生成地形数据，帮助机器人稳定行走。
最后，余老师总结指出，底层高频控制与高层慢速决策之间存在频率鸿沟，真实世界高质量数据稀缺，限制了端到端大模型应用，而底层物理模型与动力学计算依然不可或缺，同学们都受益匪浅。
更多专家信息：
余张国，北京理工大学特聘教授、交叉学部委员、机器人学科方向责任教授，国家万人计划科技创新领军人才。1975年出生，安徽太湖县人。长期从事仿生腿足机器人系统设计、控制及应用研究，主持国家自然科学基金重点项目、基础加强重点项目等科研项目，参与研制北理工多代“汇童”系列仿人机器人。在Science Robotics、IEEE T-RO、T-MECH、T-ASE等期刊发表学术论文100余篇，获授权国家发明专利70余项，出版学术专著1部；获国家技术发明二等奖1项、教育部技术发明一等奖2项。担任Humanoid Robotics等国际期刊编委，曾任IEEE ARSO 2019、IEEE Humanoids 2018、CLAWAR 2025等国际会议程序委员会主席、联席主席。
