人形机器人全身控制（Whole-Body Control, WBC）的核心挑战，在于如何在执行复杂的手臂操作任务（如搬运、装配）时，维持下肢的动态平衡，避免倾倒。这本质上是一个高维、冗余、强耦合的动力学系统控制问题。解耦手臂操作与下肢平衡，并非物理上的割裂，而是通过分层控制架构、任务优先级优化与动态耦合补偿，在控制层面实现功能解耦与协同。

🧠 分层任务优先级控制架构

最主流的解耦策略是采用分层任务空间控制（Task-Space Control）。其核心思想是将全身控制任务分解为多个优先级层级，高优先级任务优先满足，低优先级任务在高优先级任务的零空间（Null Space）内执行，从而实现“互不干扰”。

最高优先级：下肢平衡与质心控制

• 这是人形机器人稳定性的基础。控制目标是维持质心（CoM）在支撑多边形（Support Polygon）内，并控制角动量（Angular Momentum）接近零，防止倾倒。通常通过调节踝关节、髋关节的力矩，结合足底力/力矩传感器反馈，实现ZMP（零力矩点）稳定控制。
• 数学上，该任务定义为高优先级的动力学约束：J_c * q_ddot + J_c_dot * q_dot = a_c_des，其中J_c是质心任务雅可比矩阵，q_ddot是关节加速度，a_c_des是期望的质心加速度。

次优先级：手臂操作任务

• 在满足平衡约束的前提下，手臂执行末端执行器（End-Effector）的轨迹跟踪或力控制任务（如抓取、推动）。
• 该任务的求解被投影到平衡任务的零空间中：q_ddot_arm = J_arm^# * (a_arm_des - J_arm * q_ddot_balance) + (I - J_arm^# * J_arm) * z，其中J_arm^#是手臂雅可比矩阵的伪逆，z是零空间内的任意向量（可用于优化关节限位、能耗等）。
• 这样，手臂的运动不会破坏已满足的平衡约束，实现了功能解耦。

⚖️ 动态耦合补偿与全身动力学优化

尽管任务优先级提供了理论框架，但手臂的快速运动会产生显著的反作用力与力矩，通过躯干传递至下肢，扰动质心与角动量。因此，必须显式补偿这种动态耦合效应。

前馈耦合补偿

• 基于全身动力学模型（如拉格朗日方程或牛顿-欧拉递推），实时计算手臂运动产生的惯性力、科里奥利力与重力项对躯干与下肢的扰动。
• 将这些扰动力矩作为前馈项，叠加到下肢平衡控制器的输出中，提前抵消耦合影响。例如，当机器人快速挥臂时，控制器会预判性地调整髋关节力矩，防止上身过度倾斜。

全身QP优化求解

• 将平衡与操作任务统一建模为带约束的二次规划（Quadratic Programming, QP）问题：
• min ||J_task * q_ddot - a_des||^2 + λ||q_ddot||^2
• s.t. J_c * q_ddot = a_c_des （平衡等式约束）
• τ_min ≤ τ ≤ τ_max （关节力矩限幅）
• F_min ≤ F_grf ≤ F_max （地面反作用力摩擦锥约束）
• 通过实时求解QP，可在满足所有物理约束的前提下，最优分配全身关节力矩，实现平衡与操作的协同。

🦶 步态与操作的在线协调

对于移动中的人形机器人，解耦更为复杂。此时需将步态生成器（Gait Generator）与WBC深度集成。

• 动态步态调整：当手臂操作导致质心偏移超出当前支撑域时，控制器触发步态重规划，如提前迈步或调整落脚点，扩展支撑多边形。
• 动量观测器：实时估计全身线动量与角动量，一旦检测到异常累积（如手臂突然受阻），立即通过下肢微调或踏步进行动量耗散。

综上，人形机器人手臂操作与下肢平衡的解耦，是通过分层任务优先级架构实现功能隔离，结合全身动力学模型进行前馈耦合补偿，并依托实时QP优化求解器在物理约束下协调全身力矩分配。这一过程依赖于高精度动力学建模、高速状态估计与毫秒级控制循环（通常≥1kHz），是机器人控制理论与工程实现的巅峰体现。