你保持现在的坐姿或站姿时，身体正在以每秒上百次的频率做着一件事：防止自己摔倒。人类做这件事毫不费力，机器人却要为此建立整套理论——从支撑多边形、零力矩点（ZMP）到捕获点，人形机器人平衡的科学已经发展了五十多年。本文通俗讲清这套科学：静态平衡靠什么判据、人类恢复平衡的"三板斧"、机器人学界的对应方案；并用一次真实的训练实验（PPO 算法 150 万次尝试）展示"把理论变成会站立的机器人"到底难在哪。全部数据与代码开源可复现。
实验与开源仓库：https://atomgit.com/capybarala/q1-balance-lab（启元 Q1 官方模型 + MuJoCo + PPO，全部脚本与 150 万步模型开源） 理论出处：支撑多边形与 ZMP（Vukobratović 等）、平衡恢复三策略（Horak & Nashner, 1986）、捕获点（Pratt 等，2006）
前言
人形机器人正在从发布会走进客厅：2026 年，多款消费级人形机器人开始量产交付，启元 Q1 就是其中之一——88 厘米的身高、22 个可动关节，能招手、能碰拳、能跳舞。但大多数人不知道的是，让这样一台机器"站稳"背后站着一套发展了五十多年的科学：从二十世纪七十年代的零力矩点理论，到生物力学的平衡策略研究，再到今天用强化学习让机器人在虚拟世界里反复摔倒的训练方法。
这篇是这套科学的一次通俗导览，写它的起因很简单：我在没有真机的情况下，用启元公开发布的官方模型做了一个"让 Q1 学会不被推倒"的训练实验，过程里把平衡这件事的科学脉络重新学了一遍——读到的理论、踩到的坑、得到的出人意料的结局，都记录在文中。
一、平衡是被低估的超能力
先做个小实验：双脚并拢站立，闭上眼睛，感受一下脚底。你正在做的，是以每秒上百次的频率微调全身几十块肌肉，把约 60 公斤的重量稳定在一个比脚掌大不了多少的区域里。前庭系统、视觉、本体感觉三路信号汇合，小脑实时解算——这套系统让人类可以在摇晃的公交车上刷手机。
机器人没有这套系统。对一台双足机器人来说，"站着不倒"是需要从零建立的能力；而"被推之后不倒"，则是一个让学界研究了五十多年、至今没有完全解决的问题。
本文先讲清这门科学的三个核心概念（都很好懂），再带你亲眼看一次训练实验：让启元 Q1 的数字分身在虚拟世界里尝试 150 万次，看看它能学到哪一步。
平衡中的 Q1：双臂展开、重心回落——对人类是本能，对机器人是一门五十年历史的科学。
二、静态平衡的判据：重心必须落在支撑多边形里
第一块基石是支撑多边形（support polygon）：双脚掌与地面接触点围成的凸区域。静态平衡的判据一句话可以说完——重心在地面上的垂直投影，必须落在这个多边形之内。
支撑多边形示意：双脚接触点围成的区域就是"安全区"。重心投影在区内则稳定；一旦越界，没有任何地面反力能把你拉回来——只能摔倒或跨步。
这个判据解释了很多日常直觉：为什么单脚站比双脚难（支撑多边形缩小近一半）、为什么踮脚尖更难（多边形再缩小到前脚掌）、为什么背 heavy 包的人会不自觉前倾（把重心投影"挪回"多边形内）。
对机器人同样成立。我们在启元 Q1 的官方模型上做过一组实测：让 Q1 以位置控制方式站立（22 个关节全部锁在站立角度），然后从侧面施加 0.5 秒的推力，力度从 10N 加到 80N——
30N 以内：稳如泰山（30N 时重心偏移不到 2 厘米，还在支撑多边形内）；40N 一推：直接摔倒。边界精确得像用尺子画的——因为支撑多边形判据本来就是硬几何：重心出了多边形，物理定律不允许任何关节力矩把它救回来。
三、人类的"三板斧"：动态平衡的三种策略
静态判据只回答了"什么时候会倒"。真正有趣的是倒之前人做了什么。生物力学的经典研究（Horak & Nashner, 1986）发现，人类恢复平衡用的是三种策略，按扰动大小切换：
人类的三种平衡恢复策略（Horak & Nashner, 1986）：小扰动用踝、中扰动加髋、大扰动直接跨步，切换是全自动的。
- 踝策略（小扰动）：身体像一根绕脚踝转动的倒立摆，靠脚踝发力把重心"兜"回来——你在公交车上急刹时身体前倾又回来，用的就是它；
- 髋策略（中扰动）：扰动再大些，脚踝力矩不够了，人会用髋部快速屈伸带动上半身反向摆动，用躯干的动量把重心拉回来；
- 跨步策略（大扰动）：重心实在兜不回来了，那就迈一步——把支撑多边形直接搬到重心要去的地方。
第三条最反直觉也最深刻：摔倒不是"没站稳"，而是"没来得及换一个能站的地方"。人在被人猛推时会本能地跨出一大步，不是狼狈，而是最优解。
三种策略的原始出处：Horak 与 Nashner 1986 年发表在 Journal of Neurophysiology 的经典论文。
四、机器人的对应方案：ZMP 与捕获点
机器人力学界为同样的思想建了一套严谨的语言。
零力矩点（ZMP）——由南斯拉夫学者 Vukobratović 等在二十世纪七十年代提出——是支撑多边形理论在动态场景的推广：行走或被推时，地面反力的等效作用点就是 ZMP，只要 ZMP 始终留在支撑多边形内，机器人就不会翻倒。ZMP 是双足机器人步态规划几十年的基石。
捕获点（Capture Point）——Pratt 等人在 2006 年前后提出——更进一步回答了"被推之后该往哪跨步"：把当前运动状态考虑进去，计算出一个位置，只要下一步迈到那里，就能恰好把所有动能消耗掉、彻底站稳。这个点因此得名"捕获点"（capture point）。
用生活语言总结这三代理论：支撑多边形告诉你"哪里能站"，ZMP 告诉你"动态中会不会倒"，捕获点告诉你"下一步迈到哪就能救回来"。
捕获点的原始定义：Pratt 等人 2006 年提出——下一步迈到这个点，动能恰好耗尽、彻底站稳。
而本文的实验恰恰是这些理论的一个反面注脚：我们训练的策略只会第一代方案——像一根会小幅抖动的棍子那样调整关节，既不会计算捕获点，也不会跨步。这就是它扛不住 40N 的理论解释。
五、150 万次尝试：机器人如何训练
理论说"该跨步"，但让神经网络自己悟出跨步，是另一回事。我们用强化学习做了一次实验：在 MuJoCo 物理仿真里，让 Q1 的数字分身从零学"被推后不倒"。
5.1 四个分身同时训练
训练最怕低效：一个分身摔倒后要重置重来。我们让4 个数字分身同时训练，各自的经历汇总给同一位算法消化——相当于把训练效率翻了四倍。
5.2 训练算法：PPO
负责训练的是一种叫PPO的算法（Proximal Policy Optimization，近端策略优化）。它的工作方式：每隔一小段时间，把 4 个分身最近的尝试全部回看一遍——哪些动作得了高分、哪些纯属乱动——然后小幅调整策略的"行为倾向"。
近端策略优化（Proximal Policy Optimization）来自 Proximal Policy Optimization Algorithms（Schulman et. al., 2017）这篇论文，是当前最先进的强化学习 (RL) 算法。这种优雅的算法可以用于各种任务，并且已经在很多项目中得到了应用，最近火爆的ChatGPT就采用了该算法。
关键词是"小幅"。PPO 的核心主张是不做激进改革：每次调整都限制在"离上一版策略不远"的范围内，宁可慢一点，也不让策略大幅震荡。这种稳健风格让它成了目前训练机器人最常用的强化学习算法之一。
5.3 核心训练代码：二十行启动一次训练
整个训练的主循环，核心配置压缩后不到二十行：
env = DummyVecEnv([build_env for _ in range(4)]) # 4 个分身并行 model = PPO( "MlpPolicy", env, # 策略网络：多层感知机 n_steps=512, # 每次收集 512 步经验 batch_size=2048, # 小批量更新 n_epochs=10, # 每批经验回看 10 遍 learning_rate=3e-4, # 学习率：小步慢走 ent_coef=0.0, # 不额外鼓励随机探索 gamma=0.99, # 未来奖励的"折扣率" device="cpu", # 纯 CPU 训练 ) model.learn(total_timesteps=1_500_000, callback=ProgressCallback(total))每个参数都值得一句人话解释：n_steps=512是"每 512 步做一次小结"；gamma=0.99表示"眼前的 1 分比 100 步后的 1 分值钱"——正是这个折扣让机器人优先保证"现在别摔"；ent_coef=0.0表示不鼓励它故意乱试（我们希望它稳健）。这些超参数没有标准答案，本文的取值是数次试错的结果。
5.4 循序渐进：从浅水区到深水区
推力难度是精心编排的。想象教游泳：没人会第一天就把孩子扔进深水区。训练中的推力安排同理——
- 训练初期：几乎没有推力，先专心学会"站"这件最基本的事；
- 中期：随机方向的推力开始出现，力度从约 12N 起步；
- 后期：推力越来越强、越来越刁钻（方向随机），直到超过 60N——远超它作为"锁死木棍"时代能扛住的极限。
这种设计有个学名叫"课程学习"（curriculum learning）：先在小扰动里建立基本功，再逐级加码。和游泳教练把学员从浅水区慢慢带到深水区，是同一个道理。
5.4 45 分钟后的评估
4 个分身并行、约 45 分钟的 CPU 时间、150 万步决策之后，用与基线实验完全相同的协议（0.5 秒侧推、力度梯度）重新评估。结果一句话概括：
它扛住了 30N——和"锁死法"打平；但在 40N 面前，两个都倒了。
强化学习没有输给位置控制，也没有赢它：它用 150 万次尝试，把自己练到了与"天生锁死"相同的静态水平，但动态恢复还没学会。
训练后策略被 40N 推力击中的实录（物理仿真回放）：它在推力下大幅调整姿态，最终仍未恢复。
六、为什么这么难：理论五十年前就有，做到是另一回事
诊断发现策略并非摆烂：被推时它在大幅、积极地调整动作（变化幅度覆盖全程），但调整没有有效的方向感——学到了"挣扎"，没学到"捕获"。结合理论看，这次实验恰好演示了从理论到工程的鸿沟：
- 捕获点理论要求策略"看见"自己的运动状态并计算落足位置——而我们的实验只给了它原始终感信号，让它自己从摔倒里悟；
- 人类的踝-髋-跨三策略是分层自动切换的——我们的实验用单一策略硬扛所有扰动；
- 理论假设"可以迈步"——Q1 的实验环境里，跨步意味着单脚支撑的瞬间稳定，这又回到 ZMP 约束的严格解算。
理论是地图，工程是走路。地图五十年前就画好了，走过去每一步都是算力、奖励设计与训练时间的账。实验的完整数据、脚本与 150 万步模型已开源（https://atomgit.com/capybarala/q1-balance-lab），三个改进方向（更大的动作权限、恢复过程的奖励梯度、更干净的状态观测）也写在实验笔记里——接手的人可以少走我们已经走过的弯路。
七、最后一句话
双足行走的机器人曾经只存在于实验室与科幻片里，如今它们开始走进客厅、门店与展厅。让它们站稳的，不是某一次灵光乍现，而是从支撑多边形到捕获点、从生物力学到强化学习，一代代研究者把"不摔倒"这件事拆成了一块块可计算的科学。
下一次看到机器人稳稳地走过起伏的地面，不妨想一想：在那段平稳的画面背后，是它（以及它的训练者们）在你看不见的地方，摔过的成千上万次。
参考资料
- 启元机器人开发者社区（官方 q1_v3 模型包）：启元机器人开发者社区 · 一站式具身智能研发平台
- Vukobratović M., Stepanenko J. On the stability of anthropomorphic systems. Mathematical Biosciences, 1972.（ZMP 概念的奠基工作）
- Horak F. B., Nashner L. M. Central programming of postural movements: adaptation to altered support-surface configurations. Journal of Neurophysiology, 1986.（踝/髋/跨三策略）
- Pratt J., et al. Capture Point: Per Step Prediction and Control of Balance. International Journal of Robotics Research, 2006.（捕获点）
- 本文实验开源仓库 q1-balance-lab：https://atomgit.com/capybarala/q1-balance-lab
