人形机器人腿部控制：从逆运动学到PD控制的工程实战

一个人形机器人在展示中跌跌撞撞地爬起、站稳、再迈步很多人会把这归功于“AI 越来越聪明”。但在机器人工程师眼里最值得盯住的不是算法而是它的两条腿。这听上去有点反直觉。可如果你真的动手做过足式机器人就会理解让大模型下达“往前走”的指令很容易难的是让金属关节在几十毫秒内输出精确力矩让两条腿在地面反作用力的支持下保持身体不摔倒。这种能力可以理解为人形机器人“金属腿上的纯粹意志力”。所谓“意志力”放到机器人身上并不是比喻而是一个可以拆解的物理概念结构能不能受力驱动能不能出力控制能不能稳住。本文想围绕这条主线把“人形机器人腿部”这件事讲透——为什么它是当前最硬的骨头它到底难在哪以及一名开发者如果想进入这个领域应该从哪里开始学习和实践。1. 这篇文章真正要解决的问题如果你过去几年关注过人形机器人新闻会发现一个规律Demo 视频越来越流畅但量产和落地仍然很慢。问题不在“大脑”的智能程度而在“身体”的物理实现。轮式机器人可以把重心问题交给底盘四足机器人有四条腿分散载荷而人形机器人要用两根细长的金属腿完成站立、行走、上下楼梯、抗扰动恢复等任务。单腿支撑时它要承受全身重量摆动腿时又要保持动态平衡一旦摔倒还要面临硬质地面带来的冲击。这一切约束最后都会压缩到腿部结构、关节驱动器和控制算法这三个环节上。很多学习者的误区在于以为掌握了深度强化学习就能直接上手人形机器人。真正做过一遍仿真或者硬件实验就会知道策略网络只是最上层的一小块往下还有逆运动学、力控制、状态估计、通信时延、结构强度、散热与功耗一大堆问题。每一层都可能让机器人摔得很难看。这篇文章的定位是从工程视角做一次系统拆解拆解人形机器人腿部的核心结构、自由度设计、材料选择讲清楚电机驱动、液压驱动、力矩控制的差异给出腿部逆运动学、PD 控制、物理仿真三份可直接运行的代码分析当前行业的技术路线与现实瓶颈总结常见认知误区和工程最佳实践。无论你是机器人专业学生、嵌入式开发工程师还是刚转向具身智能的研究者这篇内容都值得你花十几分钟读完也建议先收藏等真正做双足项目时拿回来对照。2. “金属腿上的纯粹意志力”到底指什么先说一个更底层的模型人是怎么完成动作的大脑负责规划意图小脑负责协调神经系统把指令传到肌肉肌肉收缩产生力力通过骨骼构成的杠杆系统传递出去。所以“意志力”要想变成现实中的行动必须依靠骨骼和肌肉这个物理载体。机器人也是类似的链路只是把生物系统换成了工程系统人的运动系统人形机器人对应模块大脑皮层规划意图任务规划、大模型、RL 策略小脑和神经反射状态估计、平衡控制算法肌肉收缩产生力伺服电机、液压缸、直线执行器骨骼承力与杠杆金属腿骨架、关节结构件心血管供能电池、电源管理系统把人形机器人的“意志力”翻译成工程语言可以用这个公式概括机器人的腿部意志力 结构承载极限 驱动器瞬时出力 控制算法稳定性三个要素缺一不可。结构强度再高电机响应太慢算法再好也推不动电机扭矩再大结构刚度不够一脚踩下去就弯曲变形结构和驱动都到位控制频率太低、时延太高机器人照样走不稳。所以所谓“金属腿上的纯粹意志力”本质上是一套机电软协同系统在物理极限下的综合表现。理解了这一点再看网上那些“机器人不断摔倒又不断爬起来”的视频看到的就是另一个故事工程师在结构件上打磨轻量化在电机环上调扭矩余量在控制代码里做鲁棒性设计每一次站起来都是这些细节同步工作的结果。3. 腿部设计的力学基础关节、自由度与材料3.1 腿部关节与自由度人形机器人腿部通常由髋、膝、踝三个关节组成。为保证空间运动能力每个关节分配的旋转自由度并不相同关节主要运动常用自由度作用髋关节屈伸、外展/内收、内外旋3控制大腿姿态摆动腿方向膝关节屈伸为主1改变小腿与大腿的相对角度支撑身体踝关节屈伸、内外翻2调整脚掌着地姿态辅助平衡这样算下来一条腿通常有 6 到 7 个自由度两条腿合计 12 到 14 个自由度。自由度不足会导致腿部运动受限但并非越多越好——每增加一个自由度就增加一个电机、一个减速器、一块结构件也就是增加重量、成本和控制复杂度。这里有一个很容易被初学者忽略的点重量的惩罚是平方级的。腿部重量增加不仅会增加膝关节和髋关节需要输出的扭矩还会影响整个身体在摆动阶段的动态特性。所以工程师在腿部设计时做的往往不是“堆积木”而是在有限的重量预算内对自由度数量、结构强度、驱动功率做减法。3.2 结构材料金属腿并不是一块实心钢“金属腿”只是通俗说法实际腿部结构一般不是实心一体件而是通过拓扑优化设计的骨架。人形机器人的腿部材料主要考虑三条指标比刚度刚度除以密度决定结构抵抗变形时是否“轻而硬”比强度强度除以密度决定结构在断裂前能承受多大载荷疲劳寿命机器人会经历反复冲击材料疲劳直接决定使用寿命。典型材料的取舍是这样的材料优势劣势常见用途铝合金轻、便宜、易加工疲劳强度一般内部骨架、连接件、中低端结构件钛合金强度高、耐疲劳贵、加工难高应力关节件、高可靠性部件高强度钢强度高、便宜重样机地面测试、台架碳纤维复合材料比刚度非常高抗冲击差、连接设计复杂外壳、小腿杆件、轻量化外观件实际工程中腿部往往是金属合金骨架与复合材料外壳的组合金属承担主要的受力与冲击载荷复合材料负责减重和外形整合。因此把“金属腿”理解成“以金属为承力核心的复合结构”更接近真实情况。3.3 载荷与冲击腿部为什么必须留强度余量人形机器人在平地上静止站立时每条腿分担大约一半体重。但一旦开始行走地面对腿部的反作用力会出现明显峰值一般可以达到体重的 1.5 到 3 倍。遇到跳跃、奔跑、摔倒场景瞬时冲击载荷会高得更多。这就形成一对矛盾既要尽量轻量化又要保留足够的强度余量保证机器人不会在几次冲击后就出现结构疲劳或者变形。不同公司会选择不同策略有的偏向更保守的厚壁结构优先保证可靠性有的偏向更激进的设计追求运动表现。但整体来看几乎所有工程团队都会在结构仿真中做“极限工况校核”再配合真实硬件测试去修正有限元模型与实际受力之间的偏差。从学习角度看对腿部结构不必一步到位选择“最先进材料”先用铝合金或钢在仿真和台架上验证结构方案再逐步替换为更轻或更强的材料是更稳妥的工程路径。4. 逆运动学与步态如何让腿走出第一步4.1 正运动学与逆运动学腿部控制的起点是运动学。它要解决两个方向的问题正运动学已知各关节角度计算脚端的空间位置逆运动学已知期望的脚端位置反求各关节应转到的角度。实际控制中运动规划器负责产生脚端轨迹比如“从 A 点迈到 B 点”而腿部控制器必须求出髋关节和膝关节应该转到什么角度。所以逆运动学是腿部控制里最基础的模块。4.2 平面两连杆腿部模型为了把原理讲清楚我们先忽略髋关节的外展/内收和踝关节只保留一个平面内的两连杆模型。大腿长度 L1小腿长度 L2髋关节在原点脚端坐标为 (x, y)膝关节向后方弯曲。这个模型可以直接用余弦定理求解。# 文件路径leg_ik.py import numpy as np L1 0.4 # 大腿长度单位米 L2 0.4 # 小腿长度单位米 def normalize_angle(angle): 把角度限制到 [-pi, pi] 范围方便后续控制 while angle np.pi: angle - 2.0 * np.pi while angle -np.pi: angle 2.0 * np.pi return angle def compute_leg_ik(x, y): 平面二连杆腿的逆运动学。 输入脚端相对髋关节的位置 (x, y)单位米 输出髋关节角度 hip膝关节角度 knee单位弧度 r2 x * x y * y r np.sqrt(r2) # 目标点超出机械臂可达范围时直接报错 if r L1 L2 or r abs(L1 - L2): raise ValueError(目标点超出腿部可达范围) # 膝关节转角余弦定理 cos_knee (r2 - L1 * L1 - L2 * L2) / (2.0 * L1 * L2) cos_knee float(np.clip(cos_knee, -1.0, 1.0)) # 人的膝盖向后弯曲所以取负号 knee -np.arccos(cos_knee) # 髋关节转角 alpha np.arctan2(y, x) beta np.arctan2(L2 * np.sin(-knee), L1 L2 * np.cos(-knee)) hip alpha - beta hip normalize_angle(hip) return hip, knee if __name__ __main__: # 示例求解脚端位置在 (0.4, 0.3) 时的关节角度 target (0.4, 0.3) hip, knee compute_leg_ik(*target) print(目标位置:, target) print(hip angle (rad):, round(float(hip), 4)) print(knee angle (rad):, round(float(knee), 4))运行后应该输出类似这样的结果目标位置: (0.4, 0.3) hip angle (rad): -0.1063 knee angle (rad): -1.3633为什么膝关节取负号因为人类正常站立时大腿与小腿形成的膝关节弯曲方向是向后的。如果膝关节取正号脚端轨迹会出现在身体前方那就是机械臂形态而不是腿部形态了。需要强调的是逆运动学只解决“几何位置”问题不解决“力学”问题。知道了每个关节该转多少度不等于机器人能稳定地保持这个姿态。要让脚端真正抵抗重力、支撑身体还得依靠动力学和关节控制。这也是很多初学者做完逆运动学后兴冲冲地加载仿真结果机器人立刻瘫倒在地的原因。5. 从算法到力量驱动系统与控制回路5.1 驱动方案电动、液压与气动逆运动学算出了目标角度接下来要由驱动系统把角度转变成实际机械运动。人形机器人腿部的主流驱动方案有三种它们的取舍比较如下驱动方式优势劣势实际应用状态电动伺服控制精度高、响应快、系统干净、易维护功率密度受限需要减速器当前绝大多数新兴人形机器人路线液压驱动功率密度高、出力大、抗冲击强能效低、油路复杂、维护成本高、有泄漏风险早期 Atlas 等经典高性能机器人采用后逐渐转向电动气动驱动结构轻、本身具有柔顺性精确位置控制难、力度控制难多用于可变刚度和仿生研究从近几年的行业变化看一个非常明显的趋势是大家纷纷转向电动方案。原因在于电动伺服配合高精度减速器和力矩传感器在精度、成本、维护性上更适合走向量产。液压系统虽然瞬时出力更大但能效和可靠性很难支撑“走出实验室”。需要说明的是液压和电动并不完全是二选一也有企业尝试混合驱动比如电动负责大功率动作液压或气动元件负责柔顺缓冲。不过从公开资料看电动方案已经成为人形机器人行业的“最大公约数”。5.2 关节控制的基础PD 控制器单关节控制是最基础的控制回路。市场上有非常多的控制算法但不管算法多复杂底层基本都会保留一个闭合回路根据目标角度和当前角度的误差计算力矩指令再通过驱动器执行。最经典的实现是 PD 控制器即比例-微分控制torque Kp * (q_des - q) Kd * (dq_des - dq)Kp 是位置增益负责让关节朝目标角度靠拢Kd 是速度增益负责产生“阻尼效果”防止关节在目标附近反复震荡torque 是施加到关节电机上的力矩。下面是一个可直接运行的 PD 控制器示例# 文件路径pd_controller.py import numpy as np class JointPDController: def __init__(self, kp, kd, torque_limit): kp: 位置增益越大越“硬” kd: 速度增益越大阻尼越强 torque_limit: 电机最大输出力矩单位 Nm self.kp kp self.kd kd self.torque_limit torque_limit def compute_torque(self, q_des, q, dq_des, dq): q_des : 目标关节角度单位 rad q : 当前关节角度单位 rad dq_des : 目标角速度单位 rad/s dq : 当前角速度单位 rad/s 返回 : 期望关节力矩单位 Nm pos_err q_des - q vel_err dq_des - dq torque self.kp * pos_err self.kd * vel_err # 力矩限幅防止超过硬件承受范围 torque np.clip(torque, -self.torque_limit, self.torque_limit) return torque if __name__ __main__: pd JointPDController(kp180.0, kd20.0, torque_limit120.0) q_des 0.5 # 期望膝关节角度 0.5 rad q 0.3 # 当前膝关节角度 0.3 rad dq_des 0.0 # 目标角速度 0 dq 0.1 # 当前角速度 0.1 rad/s tau pd.compute_torque(q_des, q, dq_des, dq) print(joint torque (Nm):, round(float(tau), 3))运行后会输出一个正力矩值比如joint torque (Nm): 34.0这个数值表示当前关节还没到目标位置所以控制器输出正向力矩推动它继续转。PD 控制器有三个调试要点实际项目中几乎每次调参都会踩到Kp 不能盲目调大。Kp 越大关节越“硬”但对噪声和振动也更敏感容易产生高频抖动Kd 太小会震荡Kd 太大会让关节显得“发黏”响应变慢力矩限幅必须保留。电机物理上存在最大输出控制器的输出超过限幅只会让执行器饱和甚至损坏硬件。5.3 为什么还要力控如果只是让机械臂在空旷环境中运动位置控制就够了。但人形机器人腿部的特殊性在于——它必须和地面发生接触并且要利用地面反作用力来维持平衡。纯位置控制假定输出角度就能到达目标位置可一旦脚掌接触的是凹凸不平的地面强行推到位会产生很大的冲击力轻则步态僵硬重则让机器人当场摔倒。力控则不同它允许控制器根据接触力大小主动调整输出力矩让脚掌“顺着”地面走而不是“顶着”地面走。这就是为什么现代人形机器人普遍强调“力矩控制”和“柔顺控制”关节电机不仅要能输出精确的角度还要能感知当前受到的外力并让外部扰动引起的力控制在一定范围内。常见的硬件支撑包括关节力矩传感器测量关节实际受力六维力/力矩传感器安装在脚踝或脚底测量地面反作用力电流环估算利用电机电流间接估算输出力矩成本较低但精度有限。从工程角度看一条完整的腿部控制回路可以简化为四步状态估计 - 平衡与步态计算 - 关节期望角度/力矩 - 力矩限制与执行。6. 在仿真中验证双腿控制6.1 为什么先从仿真开始直接在真实硬件上调试人形机器人成本高、风险大、复现困难。一个小 bug 就可能让几千上万的结构件报废。而仿真环境可以快速迭代控制算法并且能够随机化地形、摩擦系数、外部扰动等条件用来验证策略的鲁棒性。目前机器人运动控制常用的仿真工具有MuJoCo物理引擎轻量、速度快非常适合强化学习和接触丰富的运动控制PyBullet免费开源、接口简单适合初学者快速搭建双足/四足仿真Isaac Lab基于 Isaac Sim工业级仿真支持 GPU 并行适合大规模训练。对初学阶段我不建议一上来就上重型工具。先用 PyBullet 跑通一个最简单的人形机器人大脑加载与控制流程反而能把概念建立得更扎实。6.2 PyBullet 最小仿真脚本下面这个脚本会完成四件事启动 PyBullet 的 GUI 窗口加载物理环境加载 PyBullet 内置的人形机器人模型以固定频率推进物理仿真。# 文件路径humanoid_sim.py import pybullet as p import pybullet_data import time def main(): # 启动 GUI 模式 p.connect(p.GUI) # 让 PyBullet 能找内置模型 p.setAdditionalSearchPath(pybullet_data.getDataPath()) # 设置重力 p.setGravity(0, 0, -9.8) # 加载地面和机器人模型 plane_id p.loadURDF(plane.urdf) robot_id p.loadURDF( humanoid.urdf, [0, 0, 1.4], # 放在地面略上方避免初始穿模 useFixedBaseFalse # 不固定基座允许机器人自由运动 ) # 遍历并打印所有关节信息便于后续控制腿部关节 joint_num p.getNumJoints(robot_id) print(Total joints:, joint_num) for j in range(joint_num): info p.getJointInfo(robot_id, j) print(j, info[1]) # 固定时间步推进仿真1000 步约 4.2 秒 for _ in range(1000): p.stepSimulation() time.sleep(1.0 / 240.0) p.disconnect() if __name__ __main__: main()运行命令pip install pybullet python humanoid_sim.py运行正常的话你会看到一个 GUI 界面人形机器人从 1.4 米高处落到地面然后保持站立或者缓慢倒下。这取决于模型的初始姿态与受力分布。这里要特别提醒仿真中机器人倒下了不要气馁这是所有人形机器人学习者的第一课。因为初始模型往往没有内置默认平衡策略如果不加控制逻辑没有任何一个双足机器人能靠重力自动站稳。仿真脚本的价值是让你先熟悉物理引擎、关节 ID、URDF 模型加载这些基础能力而不是直接获得一个能行走的仿真机器人。6.3 运行结果的判断与验证什么样的运行结果算正常机器人没有直接穿透地面物理引擎没有报出数值异常机器人关节在日志中持续输出合理的角度和力矩值GUI 窗口可以拖动视角观察机器人躯干和腿部姿态变化。如果运行失败排查顺序如下先看是否有模型加载错误。多数情况是 URDF 路径不正确或者机器人模型本身依赖的资源文件缺失再看初始高度和重力方向。重力方向应该指向 z 轴负方向初始高度应该在地面以上最后检查仿真步长。控制周期越短数值越稳定但计算量也越大。7. 当前行业进展与技术瓶颈7.1 两条主要技术路线从公开资料看人形机器人行业已经分化出两条相对清晰的技术路线一条是以液压系统实现高动态性能的经典路线。早期波士顿动力 Atlas 的跑酷、后空翻表现让很多人对人形机器人的运动极限印象深刻。但液压系统的高功耗和复杂维护让它很难直接面向消费级或商用场景量产。另一条是以电动伺服为核心的量产路线。包括特斯拉 Optimus、宇树科技、小米等多家公司在内大家不约而同地选择了电机搭配减速器的方案。这种方案在成本、可维护性、控制精度上更适合走向真实场景。代价是动态性能在某些极限动作上还难以和液压路线相比。从近两年的行业进展看电动路线呈现出“性能逐步逼近、成本持续下降”的趋势。结构件、减速器、力矩传感器、无框电机等核心零部件的成本下降直接拉低了人形机器人的整机造价。7.2 仍然没有解决的四件事虽然演示视频越来越流畅但真正制约人形机器人落地的瓶颈主要集中在以下四个方面。第一续航。双足机器人需要持续对抗重力能量消耗远高于轮式机器人。电池能量密度、电机效率、结构重量组成的“铁三角”决定了机器人能连续工作多久。在电池技术没有突破之前长时间野外或工业巡检仍然比较困难。第二可靠性。真实场景不是实验室地板有石子、积水、台阶、电缆等各种意外。机器人摔倒后结构是否损坏驱动器能否承受反复冲击都是量产绕不开的问题。目前很多厂商的样机仍然处于“展示机”阶段还没有被大规模长期稳定性验证过。第三控制泛化。实验室里训练好的步态策略迁移到真实环境会遇到建模误差、传感器噪声、通信延迟等所谓“sim2real gap”。如何让一套控制策略适应不同地形、不同负载、不同磨损状态仍然是一个非常活跃的研究方向。第四安全与人机协作。人形机器人的工作场景最终会和人类重叠。一旦机器人在人群中出现失控它的金属腿可能成为危险源。这要求电机能够做到快速急停、碰撞检测与柔顺退让同时还要在系统层建立可靠的安全边界。7.3 对开发者的启示这些瓶颈叠加在一起说明人形机器人行业现在最稀缺的并不是“会调用大模型 API 的人”而是真正理解机电软协同的工程师。如果你能同时掌握刚体动力学、电机控制、嵌入式系统、以及一定程度的人工智能与强化学习知识在未来的具身智能产业链里会非常有竞争力。8. 常见认知误区与排查思路8.1 常见认知误区我见过不少刚接触人形机器人的朋友带着几个典型误区进入项目。这里整理成表格逐一说明。误区真实情况自由度越多越好自由度增加会带来重量、成本和控制维度上升设计目标是“够用且可控”算力越强就越能走路步态稳定的关键更依赖低延时的状态估计和关节控制不强依赖高算力大模型大模型可以直接生成关节动作大模型适合做高层任务规划和语义理解底层高频控制必须由实时控制算法完成仿真里能走实物一定能走sim2real gap 客观存在真实硬件有建模误差、噪声和磨损需要额外做迁移腿只是执行机构不重要腿部结构、驱动和控制共同决定机器人的极限运动能力是核心竞争力之一液压一定比电动更强液压功率密度高但能效低、维护复杂电动方案在量产和精度上优势明显这几个误区每一个都可能让项目走弯路。尤其是“仿真里能走实物一定能走”这个想法几乎每个第一次做真实足式机器人的团队都会吃亏。更稳妥的做法是尽早把传感器噪声、通信延迟、执行器饱和等因素加入到仿真模型里。8.2 问题排查问题现象可能原因排查方式解决思路仿真机器人原地摔倒初始姿态不稳、未加入平衡控制检查初始 COM 位置与地面投影检查关节初始角度先把机器人固定在髋部进行站立实验再逐步放开关节高频抖动PD 增益过大、传感器噪声、控制频率不稳定观察关节角度和力矩曲线降低 Kp增加 Kd增加低通滤波固定控制周期关节力矩饱和目标轨迹超出硬件能力查看力矩是否经常达到限度降低步态速度、优化轨迹、调整重心高度模型加载失败URDF 路径错误、依赖资源缺失检查控制台报错确认模型文件完整检查 setAdditionalSearchPath 配置落地瞬间弹跳接触力过大、阻尼不足观察脚底接触力曲线加入柔顺控制降低落地速度调整脚底摩擦参数9. 工程师学习路径与最佳实践9.1 从零到一的学习顺序如果想真正进入人形机器人腿部控制方向我不建议直接上手最复杂的全身控制算法。推荐的路径是打好刚体动力学与运动学基础。建系、雅可比、拉格朗日方程这些概念躲不开但不必陷入纯数学推导可以用仿真验证。安装并跑通一个物理仿真环境。PyBullet 最适合入门MuJoCo 适合做强化学习Isaac 适合做大规模并行训练。从更简单系统入手。先练四足机器人、双足倒立摆、平面两连杆腿再过渡到完整人形。倒立摆模型是理解双足平衡最简单也最重要的抽象。学习经典控制方法。PD 控制、计算力矩控制、模型预测控制MPC、全身控制WBC这些方法需要按顺序理解。再进入强化学习路线。在经典控制跑通之后再用 PPO、SAC 这类算法与仿真环境结合会更清楚深度强化学习的优势和局限。9.2 工程实践建议除了技术深度还有几个工程习惯值得从第一天就养成。第一所有实验先仿真后硬件。不要拿硬件验证想法要先在仿真里把问题收敛到足够小再由有经验的同学迁移到硬件。第二日志是最重要的排错工具。每条关节角度、角速度、力矩指令、IMU 数据、通信时延都要统一记录。没有日志的分析基本上等于猜谜。第三安全机制要最先写。电机的力矩上限、关节运动速度限制、急停按钮这些代码不是最后加而是在第一个硬件实验前就必须准备好。第四所有模型和参数都要版本化。URDF 模型、控制参数、训练配置、代码版本应该统一管理。很多项目出现“昨天能走今天不能走”的问题就是因为某个参数被偷偷改过而没有记录。第五控制频率与时延要始终放在心里。力矩控制一旦超过 1kHz 量级就要求很紧凑的实时线程设计开发者规划通信方案时要在最早阶段就确认控制链路的总时延预算。10. 总结与后续学习方向回到标题“人形机器人金属腿上的纯粹意志力”这其实是在说机器人在物理世界里每走一步都是结构强度、驱动出力、控制算法三者叠加出来的结果。每一次摔倒后站起来都不是“机器有意志”而是工程师在关节选型、结构材料、控制参数上反复磨出来的工程成果。对人形机器人感兴趣的朋友下一步可以按两条线深入控制方向从倒立摆模型、MPC、WBC 走到深度强化学习硬件方向从电机选型、减速器、力传感器开始到结构设计与拓扑优化。这两条线最终会汇合在“让机器人在真实环境中可靠地运动”这个目标上。这仍然是一项非常年轻的工程技术。它没有成熟范式也没有标准答案现在进入的人有机会成为定义规则的人。建议先把这篇文章里的 PyBullet 脚本跑通然后找一个开源人形或双足仿真项目亲手让机器人的第一只脚踏出来。建议收藏备用。下一篇文章可以聊“为什么 MPC 能让人形机器人走稳”也可以聊“从零搭建双足仿真模型”你可以根据自己遇到的实际问题继续往下深入。