企业官网建设流程全解析

前阵子在机器人展会现场，一大群人围着一台人形机器人看它表演。前面摆了一排螺丝钉，机器人弯腰、伸手、捏起螺丝、放到指定位置，动作一气呵成。旁边一位观众说了句特别扎心的话：“这机器人脑子这么灵，怎么刚才走过来的时候还晃了两下？”

这句话其实点到了一个行业里绕不开的核心矛盾：大模型的“聪明”和人形机器人的“腿脚”压根不在一个频道上。大模型会规划任务、理解自然语言、拆解复杂指令，但让它去管人形机器人的双腿平衡，那是真管不过来。人形机器人站不站得稳，靠的不是“聪明”，而是毫秒级、高频、实时反馈的底层控制，也就是行内常说的“小脑”能力。而大模型扮演的是“大脑”——负责想、负责规划、负责理解，两层各管各的，合在一起才是一个能干活又不会摔的机器人。

这篇文章我想用相对接地气的方式，把这个“双层控制”讲透。你在做机器人控制、做大模型应用，或者只是个好奇的爱好者，看完应该都能明白：为什么大模型会规划却管不住两条腿，以及真正让人形机器人站稳的底层功臣究竟是谁。

1. 先搞清楚一件事：大模型会规划，靠的不是物理直觉

很多刚入行的朋友会下意识觉得，大模型既然能写诗、能解题、能规划旅行路线，那它应该天生就懂物理。比如你问它“机器人怎么走路”，它能给你列出一二三四五，还引用一堆动力学公式。但“会说出走路的方法”和“真的能控制身体走路”之间，隔着一道巨大的鸿沟。

1.1 大模型的“语言理解”和物理世界的“运动执行”是两种能力

大模型本质上是一个基于海量文本训练出来的概率模型。它擅长的是在符号层面做推理：你给它一句“从桌子后面绕过去拿杯子”，它能基于常识告诉你应该先走到桌角、再转向、再伸手。这些能力来自语言中隐含的知识，而不是来自对真实物理环境的实时感知。

机器人要在真实世界站稳，需要的恰恰是后者。它需要知道此刻重心在哪、地面摩擦系数多少、髋关节力矩还剩多少、左脚足底有没有完全贴合地面。这些东西不会写在任何一篇训练文本里，它们是每一毫秒实时变化的物理状态，只能通过传感器反馈获得。

所以这里有个很关键的区别：大模型解决的是“做什么、什么顺序做”，底层控制器解决的是“具体怎么用力、关节转多少度、力矩怎么分配”。前者是语义空间里的规划，后者是物理空间里的执行。你让一个只会做语义规划的模型直接去生成关节角度指令，就好比让一个熟读兵法的人亲自上阵挥刀——他脑子里有策略，但肌肉反应跟不上。

1.2 语言生成速度和控制响应速度差了三到四个数量级

再直观一点，从时间尺度来看问题。

我实测过主流开源大模型在普通GPU上的推理表现：生成一个token大致需要10到30毫秒，生成一句完整的动作描述或者一段任务规划，通常要几百毫秒到数秒。放到边缘侧、量化部署之后能快不少，但一个完整的“感知-推理-决策”流程走下来，至少也要一两百毫秒起步。

而人形机器人的关节控制回路是什么节奏？现代伺服电机内部的位置环、电流环通常跑在1kHz到2kHz，也就是每0.5毫秒到1毫秒就要输出一次控制指令。哪怕不算最内环，只算步态规划和状态估计那层，也普遍要跑到100Hz到500Hz。换句话说，底层控制器在1秒钟内要刷新几百上千次，而大模型半秒钟能想出一个结果就算很快了。

这么一比，大模型根本没法实时插进控制闭环里。你这边大模型还在“思考”怎么迈腿，机器人那边身体已经歪出去10厘米了。所以大模型只能放在任务规划层，离实时控制越远越安全。

1.3 “站不稳”的本质：双足本来就是个欠驱动不稳定系统

还有一层得说明白：人形机器人站不稳，不是因为它笨，而是因为它天生就处于一种“动态不稳定”的状态。

想想看，一个人形机器人站在地面上，双脚支撑面积很小，重心很高，全身可能有十几个甚至几十个自由度。它不像四足机器人那样四条腿撑开形成一个大支撑底盘，也不像轮式机器人那样有天然的结构稳定性。人形双足站立本质上就是在玩“倒立摆”——重心永远在支撑多边形边缘试跳，靠不断微调脚踝和髋关节来维持动态平衡。

这种系统对时延极其敏感。从感知到控制再到肌肉发力，任何一个环节多延迟几毫秒，都会导致平衡恶化。大模型动辄上百毫秒的推理延迟，在这个系统面前根本没法用。

所以从原理上你就理解了：大模型确实会规划，但它规划的是一种“叙事逻辑”，不是“物理平衡逻辑”。想把大模型直接接进控制环，方向就错了。

2. 站不稳的真相：毫秒级战场里根本没有大模型的位置

聊完原理，咱们进到更具体的层面。人形机器人的“稳”，不是玄学，是实实在在的实时计算和闭环反馈。我拆开给你看，它在每个毫秒里都在干什么。

2.1 一次站稳需要经历多少个环节

假设机器人正处于站立状态，突然有人推了它肩膀一下。从被推到恢复平衡，底层要处理的事情大致是这样：

首先，状态估计单元要以1kHz的频率读取IMU（惯性测量单元）的加速度和角速度、每个关节的编码器角度、足底压力传感器或六维力传感器的读数。把这些数据放在一起，用扩展卡尔曼滤波（EKF）或者更现代的滤波方法，估算出机器人当前躯干的姿态角、角速度、质心位置和速度。

接着，平衡控制器要回答一个问题：当前状态距离期望状态偏差了多少？这个偏差值会被送入一个控制策略中，计算出髋关节、膝关节、踝关节各自应该产生多大的力矩或加速度修正。

最后，关节伺服层要把计算出的期望力矩或位置转换成电机电流指令，驱动电机出力。整个链路要在几个毫秒内完成一次迭代，下一次迭代马上接着来。

这个流程，就是典型的反馈控制闭环。注意它有一个特点：必须“感知-计算-执行-再感知”循环往复，绝不允许中间断层。一旦某一帧掉了，机器人就可能在下一毫秒开始倾倒。

2.2 控制周期：从1kHz到500Hz，每一步都等不起

我用具体数字帮你建立感性认识。目前业界的惯用做法是这样分层的：

关节伺服环通常在1kHz到2kHz运行，每个控制周期都直接输出电流/力矩指令。状态估计和平衡控制外环通常在500Hz到1kHz左右，负责生成期望力矩或关节位置增量。更上层的步态规划，也就是决定下一步落脚点、迈步高度、步幅大小的模块，运行频率可以降到50Hz到200Hz，但也远非大模型的节奏能比。

你可以把这三层理解成：步态规划是“队长”在喊口令，平衡控制是“士兵”在响应口令调整身体姿态，关节伺服是“肌肉”严格执行各部位动作。口令可以每秒喊几十次，但肌肉的微调动作要快上百倍才行。

那么问题来了，大模型在这个架构里能顶哪个位置？哪个都顶不了。连最慢的步态规划层，50Hz也就是20毫秒刷新一次，大模型的推理延迟依然跟不上。唯一能让它进来的地方，是比步态规划更高一层、频率更低的“任务规划层”——比如决定“下一步去桌子那边”，这种决策一秒钟几次都算多。

2.3 不只看快慢，还得看它算的是什么

有人可能会说：“大模型推理慢，那我让它离线预生成一套关节角度轨迹，再回放出来不就行了？”

理论上可以，但现实世界不陪你按剧本走。离线生成的轨迹基于的是理想动力学模型和理想环境假设，一旦地面稍微有个坡、有人推了一把、负载变了，离线轨迹就全部失效。机器人最核心的能力，恰恰是在偏离预期时，通过实时反馈重新收敛到稳定状态。这一步，只有闭环控制器做得到。

而且，就算不考虑外部扰动，机器人自身的动力学模型也很难建模准确。关节摩擦、柔性形变、电机力矩饱和、结构间隙，这些非线性因素叠加在一起，让离线计算出的轨迹在实际执行中误差不断累积。反馈控制器存在的意义，就是随时随地修正这些误差。

所以在“站得稳”这件事上，比“聪明”更重要的，是“快”和“准”。大模型再聪明，也只能当远程参谋，真刀真枪的战场还得靠高频反馈控制来打。

3. 双层控制架构：大脑做规划，小脑保稳定

明白了大模型不参与底层控制，那么问题就变成了：大模型和人形机器人到底怎么配合？答案就是标题里的那四个字：双层控制。

3.1 大脑和小脑的分工，比你想的更清晰

双层控制这个概念的模型，直接对标人的神经系统。

你走路时，额叶皮层负责规划“我要去厨房倒杯水”，这是大脑层面的高层决策。但你每一步迈出去时肌肉怎么协调、重心怎么转移、遇到小石子怎么自动调整落脚位置，几乎不需要大脑刻意思考——这一切由小脑、脑干和脊髓层面的反射回路负责。人能在走路时聊天、看手机、想事情，正是因为底层运动控制被“自动化”而且不占用高层认知资源。

人形机器人的双层控制就是这个思路的工程映射。上层是“任务规划层”，部署大模型，负责理解自然语言指令、拆分子任务、感知环境语义、规划动作序列。下层是“运动控制层”，部署传统的状态估计器、步态规划器、模型预测控制（MPC）、全身控制（WBC）或强化学习步态策略，负责把上层的意图翻译成具体的关节运动，并用高频反馈保证物理稳定。

我在实际项目里的体会是，上层越“慢”越安全，下层越“快”越可靠。两者各自独立运行，通过一个清晰约定的接口通信，而不是把所有逻辑搅在一起。

3.2 大模型输出的是“任务描述”，不是“运动指令”

这里有一个新手特别容易踩的坑：觉得大模型既然能生成文本，那就直接让它生成一组机器人关节角度序列，扔给执行器跑，不就完了？

我用一句话回答你：千万别这么干。

正确的做法，是大模型输出“任务描述”或者“高层指令序列”，比如：“先走到工具台前，然后俯身捡起扳手，再放到检修箱里”。这些指令要进入一个“技能库”模块，由它去匹配机器人已经训练好的运动原语。

什么是运动原语？就是一组高度封装、经过验证、可安全执行的基本动作，比如“站立”、“原地踏步”、“左移”、“弯腰伸手”、“跨过15cm障碍”等等。这些原语往往由底层控制器或者强化学习策略实现，每个原语内部有完整的平衡控制逻辑。大模型的任务，是从技能库里选择合适的原语并编排它们的执行顺序，而不是发明新动作。

这个设计的好处太多了。第一，安全性有保障——大模型只做选择，不做低层动作创作，出错的概率大幅降低。第二，泛化性更好——大模型可以组合不同的原语来完成新任务，而不需要重新训练运动控制。第三，可调试性高——出问题时你能清楚地看到是“选错了原语”还是“原语执行出了问题”，不需要从头查起。

3.3 MPC、WBC这些“老技术”才是站稳的真正功臣

聊到这里，很多人可能会问：那底层控制具体是什么？听起来很玄乎，其实核心就几个名字。

模型预测控制（MPC）在腿足机器人领域里应用非常广。它的原理是，用一个相对简化的动力学模型（比如线性倒立摆模型）预测未来0.5到1.5秒的质心运动，然后在这个预测窗口内求解一个优化问题，找到能让质心轨迹稳定跟踪期望路径的最优地面反作用力，再把这些力映射到各关节的力矩指令上。它最大的优势是具备“预见性”——不用等摔了才纠正，而是提前算出趋势并反向修正。

全身控制（WBC）则是解决“多个目标同时要求”的问题。机器人要同时满足质心跟踪、脚踝姿态、末端位置、接触力约束、关节限位约束，这堆目标之间有冲突怎么办？WBC按照优先级分层处理，优先级高的任务先满足，比如“足底不能滑动”永远高于“躯干姿态要笔直”。有优先级就有取舍，这是全身控制的智慧。

最近几年，强化学习跑通了很多传统控制器叶难调的场景。人们用RL在仿真环境里训练“小脑策略”，输入是关节位置、速度、姿态、接触力，输出是关节力矩或位置增量，运行频率与底层控制器对齐。训练完成后，配合域随机化、真机微调等技巧，机器人在真实世界也能走得又稳又快。

注意一个关键词：这些策略的输出频率依然是1kHz级别的实时控制，和大模型的推理节奏完全不在一个量级。它们更像是“训练得很好的小脑”，而不是“聪明的大脑”。在双层架构里，这个层级依然牢牢由高频控制器说了算。

为了更直观，我做了个对比表：

这张表基本就是双层控制架构的骨架。上层负责“做什么”，底层负责“怎么稳”，各司其职，谁也替代不了谁。

4. 从Atlas到Optimus，看业内真实的分层控制方案

光讲理论容易虚。咱们看看行业内那些能做后空翻、能巡场的机器人，它们实际是怎么组合大模型和控制器的。

4.1 波士顿动力Atlas：传统控制的巅峰，大模型只做“总导演”

波士顿动力的Atlas是绕不开的经典案例。早期Atlas跑酷、后空翻、甚至做体操，这些能力绝大多数来自MPC、WBC、线性反馈控制这些“传统手艺”。Atlas的出色之处在于底层控制器的极限性能——能在一小时内走出无数步，每一步都在毫秒级刷新平衡策略，数百个关节力矩指令精确到牛米级别。

前几年波士顿动力发布了面向Atlas的Task API，配合大语言模型做了一个演示：研究者给Atlas下达一个自然语言指令“把木板递给左边的工人”，系统会自动分解成“走向木板”、“弯腰抓取”、“转身”、“递出”等几个子任务，再调用对应运动库里的动作原语。这一步正是双层控制的完美展示——大模型在顶层做任务分解，底层执行仍然是早已打磨多年的运动控制器。

很多人看到这种视频会觉得“机器人自己理解了指令”，其实严格来说，是大模型完成了语义理解，底层控制器保证每一步动作“不摔倒地完成”。前者是头脑，后者是身体，Atlas的价值在于两者都做到了极致。

4.2 特斯拉Optimus：端到端神经网络的边界感

再看特斯拉Optimus。特斯拉在AI Day上展示过一个很有意思的技术细节：纯视觉+神经网络直接输出关节目标角度，看起来特别“端到端”。

但如果你细看它的系统架构，会发现端到端并没有吃掉一切。特斯拉采用的是“视觉语言模型做人机交互和任务决策”+“运动神经网络生成轨迹”+“关节伺服控制器执行”的三层结构。神经网络“发号施令”的频率其实不高，它生成的是目标层级的轨迹点，真正的关节电流闭环仍然由底层高频伺服负责。

就算最激进的端到端方案，也没有让一个巨模型去以1kHz的频率直接生成电机电流。倒不是说完全做不到，而是没必要、不稳、不好调试。行业里更主流的共识是：用神经网络替代“传统步态规划器”，但保留底层的“力控闭环安全网”。这个安全网保证神经网络哪怕偶尔出现一个错误输出，机器人也不会当场摔倒。

4.3 开源人形机器人与强化学步：更多人看得见摸得着的双控

在科研和开源社区里，双层控制更是家常便饭。现在有像Hunter这类面向研究与教育的开源人形机器人平台，把底层控制接口、上层决策系统的整个架构开放出来。做算法的人可以根据自己的需要，改上层规划策略，或者替换底层的步态控制器。

与此同时，过去这几年强化学习步态策略在人形机器人上发展非常快。很多研究组训练一个神经网络小脑，输入ISR（惯性测量）数据、关节状态，输出关节位置增量或者力矩，在真实机器人上走得像模像样。虽然策略跑得又快又稳，但人们很快意识到，它依然回答不了“接下来应该往哪走、干什么活”这种高层问题。要让一个机器人完成“从A到B拿东西再放回去”的任务，还是得在它头顶加一个任务规划层，用大模型或者传统任务规划器来调度。

从这些案例能得出一个规律：所有能稳定落地的机器人系统，几乎无一例外地采用了分层架构。区别只在于中间层和底层的实现方式——用传统MPC还是RL策略，但“大模型只做规划，不做高频控制”这个边界，业内已经达成了共识。

5. 落地避坑手册：大模型控制人形机器人的五种错误姿势

纸上谈兵之后，聊点实战。我在做相关项目的时候踩过不少坑，也见过很多团队走了弯路。下面这些经验，也许能帮你少花几个月的冤枉时间。

5.1 别让大模型直接输出关节角度序列

这是新手最容易犯的错，也是后果最“惨烈”的错。让大模型生成一段关节角度序列，然后直接发给执行器，听起来很“端到端”，但实际一跑就露馅。

首先，大模型生成的序列大概率不满足关节限位约束，角度突然跳变会让电机扭矩瞬间爆表。其次，即使角度看起来合理，机器人在实际落地时因为模型误差、地面特性变化，很快就会与预设轨迹产生偏差，而系统根本没有修正能力。最后，大模型的token生成是自回归过程，天然带有随机性，同一个指令跑两次可能生成完全不同的轨迹。上周我们测试过让大模型生成一组步态轨迹，第一次走三步就摔，第二次走了一半卡住，根本没法用。

正确思路是：大模型只选择“动作类型”和“目标参数”，比如“向右横移0.3米”，具体执行交给运动原语库里的横移策略。

5.2 把延迟预算当成架构的第一设计原则

很多人在设计系统时，习惯先把功能摆上去，出了问题再优化性能，这在机器人领域是大忌。机器人系统的实时性必须从架构第一天就规划清楚。

我习惯的做法是：先画延迟预算表。感知模块给50毫秒，任务规划给500毫秒，步态规划给20毫秒，底层控制给1毫秒。然后明确大模型运行的线程与控制器彻底隔离，通常用异步消息队列或共享内存通信。控制器绝不会等待大模型回复——它自己按1kHz刷新，收到新指令就更新目标，收不到就继续执行当前目标。

这个设计带来一个巨大的好处：即使大模型偶然“卡住”了，机器人也只是继续按最后一帧高层指令执行，而不会失去平衡控制。机器人可能停下来“发呆”，但绝不会突然摔倒。

5.3 技能库是大脑和小脑之间最好的“接口协议”

我在前文反复提运动原语和技能库，这里再强调一下为什么它值得你认真设计。

技能库本质上是一个“封装好的行为清单”，每个原语对应一组经过安全验证的运动策略。大模型不需要知道某个动作底层是用MPC还是RL实现的，它只需要在清单里选择并传参数。这就把一个开放的、无限的动作空间，压缩成了一个有限的、可验证的动作空间，安全性直接高了一个量级。

而且技能库本身是可以持续扩展的。每训练出一个新技能，比如“跨跳过障碍物”、“爬上台阶”，就往库里加一条，大模型编排能力会跟着变强。我见过一些团队，一开始就追求大模型能“即兴发挥”动作，结果项目拖了大半年还在调试稳定性。而另一些团队老老实实建了二三十个运动原语，一个月就能组合出十几种新任务。

5.4 记住：大模型会“幻觉”，而控制器不能“掉线”

大模型天然存在幻觉问题，这在任务规划层会有实际影响。比如它可能规划出一个在物理上不可能完成的动作序列，或者漏掉一个关键步骤。好的架构应该容许这种错误存在，因为底层控制器和安全监测模块会兜底。

具体来说，任务规划层输出的每个指令，进入执行器之前都应该过一遍“可行性校验”。校验内容包括：目标位置是否可达、动作原语是否存在、参数是否在安全范围内。异常就直接停止处理并请求重新规划。

我在最终部署时还会额外加一条“安全死线”：无论顶层下发任何指令，底层控制器的力矩输出、关节角度、接触力都有硬性上限。一旦触发，再“聪明”的指令也立即失效。这条死线以下层控制器的优先级最高，任何AI都无权越过。

这样一个闭环下来，大模型负责聪明，但绝不允许它“用聪明再闯祸”。每次让技术新人看到机器人稳稳站在那儿，我都会跟他们说：它能站稳，原因是小脑忠诚地守住了安全底线，大脑想得再多再远，也得在小脑允许的范围内行动。

如果你也正在做类似的项目，我最后分享一个建议：遇到机器人控制问题，先从底层开始排查，确认“小脑”稳了，再回头优化“大脑”的规划逻辑。顺序反了，你会一直被各种飘忽不定的问题折磨。