22小时前 连滑板都会了？宇树G1解锁“侧身压弯”神技

作者：沙克    出品：人形机器人洞察研究

最近，人形机器人领域又迎来了一个令人兴奋的“破圈”时刻。我们习惯了看机器人搬箱子、甚至做后空翻，但你见过机器人像滑板少年一样，单脚蹬地、侧身压弯、在滑板上行云流水地滑行吗？

上海交通大学、中国电信人工智能研究院（TeleAI）、中国科学技术大学、上海科技大学和香港大学的研究团队联合发表了一篇名为《HUSKY：基于物理感知全身控制的人形滑板系统》的论文。他们提出了一种全新的框架，让Unitree G1人形机器人不仅学会了滑滑板，还掌握了人类滑板的核心精髓——“压弯转向”（Lean-to-Steer）。

滑板，对于人类初学者来说都是一项极具挑战的运动，通过单脚蹬地加速，双脚站立保持平衡，再通过身体重心的偏移来控制滑板转向。对于机器人而言，这更是一个典型的非完整约束（non-holonomic constraints）与欠驱动（underactuated）系统难题。

传统的控制方法往往假设环境是静态的，或者将滑板简化为一个简单的轮式底座，忽略了滑板本身复杂的物理特性（如桥的倾斜与转向的耦合）。

而这篇论文提出的 HUSKY 框架，核心在于“物理感知（Physics-Aware）”—它真正理解了滑板的机械原理，并将其融入到了全身控制中。

首先，让我们通过一张图来直观感受一下 HUSKY 系统的能力。

这张图展示了 HUSKY 框架在真实世界中的表现：

(a) 机器人完成了完整的滑板动作：从单脚蹬地（pushing）获得动力，到收脚上板，再到调整姿态。(b) 在不同的户外场景和不同的滑板上都能稳定运行。(c) 室内环境的测试。(d)关键点： 展示了“压板转向”（Lean-to-steer）行为，机器人通过倾斜身体来控制滑板转弯，这和人类的逻辑一致。* (e) 抗干扰能力，即便受到外力推搡也能保持平衡。滑板不是一个死板的平板车。当你踩压滑板的一侧（Board Tilt）时，地盘下的支架（Trucks）会发生旋转，从而带动轮子转向。这种板面倾角与转向角之间的耦合关系，是滑板运动的精髓。
研究团队首先建立了精确的滑板运动学模型。

   研究人员对滑板结构进行了数学建模（图2）：左侧展示了滑板的几何参数，包括轴距（L）、主销后倾角（Rake Angle, λ）等。

右侧展示了最为核心的“压弯-转向”机制。* 公式 (1)tanσ = tanλ sinγ被推导出来，明确了板面倾斜角（γ）与轮子转向角（σ）之间的数学关系。这是机器人能够精准走线的理论基础 。
此外，为了让大家更理解这个几何推导过程，论文在附录中还提供了详细的推导图示。

这是一个深度的几何拆解，展示了滑板支架（Truck）如何将板面的翻滚运动（Roll）转化为轮轴的偏航运动（Yaw），从而实现转向。

教机器人滑滑板，不能“眉毛胡子一把抓”。HUSKY 将整个滑板过程定义为一个混合动力系统，通过有限状态机将其划分为三个周期性阶段：蹬地（Pushing）、过渡（Transition） 和 滑行转向（Steering）。

这是 HUSKY 的核心架构图，分为三个部分：

(a) 左侧： 展示了人-板系统的物理耦合关系。(b) 右侧： 详细展示了三个阶段的控制策略：1.  AMP for Pushing Style (绿色区域)： 在蹬地阶段，引入了“对抗动作先验”（AMP），利用人类滑板的动作数据训练判别器，让机器人的蹬地动作既有效又像人，而不是机械地瞎踢。2.  Trajectory Planning Transition (粉色区域)： 过渡阶段是最危险的。系统使用了贝塞尔曲线（Bézier curve）和球面线性插值（SLERP）来规划上板和下板的轨迹，确保平滑切换。3.  Physics-Guided Steering (蓝色区域)： 在滑行阶段，利用图2推导出的物理公式，计算出目标航向所需的板面倾角，引导机器人做出正确的倾斜动作。理论很丰满，现实骨感吗？研究团队进行了大量的对比实验。转向能力的提升。如果没有物理模型的指导，机器人能学会转弯吗？(a) 是否建模的区别： 红线显示，如果忽略滑板的物理耦合（w/o modeling），滑板只能走直线，无法转向；蓝线（Ours）则展示了丰富的转向能力 。(b) 是否有倾斜引导的区别： 即便有了模型，如果单纯靠强化学习自己摸索（橙色区域），机器人能覆盖的转向范围很窄。而引入物理引导的倾斜策略后（蓝色区域），机器人的转向范围和精度都大幅提升。训练效率与动作质量。下图的左图是回合长度，右图是转向时的接触奖励。蓝线 (Ours) 迅速上升并稳定，说明机器人很快学会了稳定的滑行。* 黄线 (无过渡引导) 和 粉线 (混合初始化) 的表现都很差，说明如果没有专门设计的“过渡阶段”轨迹规划，机器人很难学会正确的上板动作，容易卡在局部最优解（比如一直蹬地不上板）。上图展示了极其丝滑的动作序列。(a) 从蹬地到上板，(b) 从滑行到下板蹬地。可以看到机器人的重心转移和脚部落点都非常自然且连贯 。现实世界的挑战与细节。在真机测试中，细节决定成败。研究人员给出了机器人脚部动作的特写。上图展示了机器人蹬地后，将脚抬起并准确落在滑板上的过程，随后旋转身体调整姿态。这与人类滑板的逻辑完全一致 。同时，为了保证安全和训练效果，研究人员在仿真环境中设置了精确的碰撞检测区域。上图红色和蓝色球体代表理想的落脚点，浅绿色区域是碰撞检测区。这不仅引导机器人踩在正确的位置（桥的正上方），还防止了穿模等物理模拟错误 。
“板感”的重要性：系统辨识。玩过滑板的朋友都知道，板子的软硬（桥的松紧）对滑行影响巨大。机器人也是如此。
这是一个非常有趣的失败案例分析，强调了 Sim-to-Real（仿真到现实）中系统辨识的重要性。
(a) 如果把软板的参数用在硬板上，机器人会以为板子很容易倾斜，结果踩上去板子不动，导致上板失败。 (b) 如果把硬板的参数用在软板上，机器人会用力过猛，导致转向过度失去平衡 。这也解释了为什么 HUSKY 需要对真实的滑板进行物理参数辨识（阻尼、刚度等）。最后，为了让机器人的姿态更像人，研究人员从人类动作数据集（M）中提取了参考姿态。(a) 默认站姿；(b) 蹬地阶段的参考姿态；(c) 转向阶段的参考姿态。这些先验数据帮助机器人“形神兼备” 。通用性测试：HUSKY 不仅能玩一种板，还能适应各种不同规格的滑板。无论是长板还是短板，HUSKY 都能驾驭，证明了算法的鲁棒性 。
结语
HUSKY 系统的成功，不仅仅是让机器人学会了一个耍酷的技能。它标志着人形机器人在全身动态平衡控制和复杂人-物交互方面取得了重要突破。
通过将物理学的先验知识（Physics-Aware）与数据驱动的强化学习（RL）相结合，我们看到了一条通往更敏捷、更通用机器人的光明路径。
想象一下，未来的外卖机器人不再是慢慢悠悠的轮式小车，而是踩着滑板在街头穿梭的滑板，那将是怎样一番景象？