我们时常在视频里看到人形机器人后空翻、跳街舞，动作丝滑又科技感十足。但偶尔也能刷到一些机器人摔倒就起不来的滑稽名场面。

“机器人能跑能跳，咋就站不起来呢？”这大概是许多人心中的大问号。其实，造成这种戏剧性一幕的因素，主要有三个：重心、步态模型、感知。

01 重心：站得越高，摔得越狠

人形机器人摔倒后想自行站起来，要克服的第一个困难就是重心。

人类处于直立时，其重心大约在腹部的高度，支撑面则位于双脚所在的区域。要想“稳定”，重心的投影必须稳稳落在支撑面内。但是，人形机器人为了模仿人类的身形、容纳驱动系统和电池，大量重物被装在其躯干和头部，形成典型的“头重脚轻”结构。有研究指出，人形机器人本质上是“不稳定的”，因为对要支撑它这种“多边形”而言，其重心太高了。

正常行走时，人形机器人通过精密的算法实时调整关节角度，让重心投影始终落在不断变化的支撑面范围内。但在摔倒之后，人形机器人处于侧躺或仰卧的状态，原本高高在上的重心瞬间“坠落”，其投影点“逃离”了支撑面，人形机器人便会进入一个没有预设应对方案的陌生状态。

更要命的是，倒地的人形机器人对“支撑面”的概念比较模糊。它可能手肘着地、膝盖着地、背部着地……其接触点是杂乱无章的。在这种非标准姿态下，原有的平衡控制模型便失效了。因此，人形机器人必须重新判断：哪个接触点可以作为发力支点？重心需要朝哪个方向移动？但这些问题，在它原本的“行走程序”里，找不到答案。

02 步态模型——固定剧本之外的“即兴表演”

这就引出了机器人摔倒后爬不起来的第二个因素，也是最硬核的技术难题：步态模型。

人形机器人的行走，本质上是在执行一个高度结构化的“剧本”，称为“步态规划”。工程师们将机器人的“行走”分解为一个个周期性的相位：单脚支撑、双脚支撑、摆腿、落地……每个阶段，机器人的关节角度、力矩、重心位置都有明确的数学描述。

这种步态规划通常基于简化模型，比如经典的三维线性倒立摆模型（3D-LIPM）。说白了，如果把机器人比作一个在无质量杆子上晃动的重心点，靠这个简化算式来规划重心轨迹。只要传感器反馈的数据与模型偏差不大，控制器就能实时修正，保持稳定。这如同一位舞蹈家跳舞时心里卡着节拍走位，只要音乐和地面不出岔子，动作自然行云流水。

可是，“摔倒”并不按这样的“剧本”来演。倒地后，姿势会千奇百怪，接触点数量、多变性远超过正常行走。机器人面对的，是一个多接触、非线性、高维度的优化问题。它要在极短时间内，从海量可能的动作序列中，找到一条能把自己“撑”起来的最优方案。这种非标准姿态下的运动规划，其计算复杂度远高于常规行走。

为了这个难题，学术界可谓绞尽脑汁。有研究者提出，基于约束增强的差分动态规划（CA-DDP）算法，让机器人从任意摔倒的姿态中自动规划恢复动作，在真实实验中取得了超过95%的恢复成功率。也有研究者往多阶段课程学习框架的方向探索，让机器人像学生一样，由易到难地学习如何站起来。更有人借鉴日本的“受身”柔道技巧，让机器人摔倒时主动做“缓冲动作”以减少损伤，再尝试起身。

这些研究也揭示了一个现实：现有的“站起”方法各有缺陷——要么计算时间过长（超过50秒），要么难以推广到真实的、全尺寸的人形机器人身上。可以说，从实验室到展会现场，机器人还有很长的时间才能“站起来”。

03 感知——天旋地转的迷失

而即使算法足够强大，能在短时间内为机器人找到“站起来”的最优方案，可如果机器人的“感官”失灵，这件事也是困难重重。这便是第三个难题：环境感知失效。

正常行走时，机器人依赖多种传感器协同工作：惯性测量单元（IMU） 监测身体的倾角和角速度；关节编码器反馈每个关节的精确角度；足部力传感器判断脚底与地面的接触力；视觉和雷达则负责构建环境地图、识别障碍物。

但在机器人摔倒后，这些传感器的坐标系就乱套了——原本以脚底为基准构建的世界模型，其“视野”可能是歪的了，雷达扫到的是天花板，视觉算法却找不到可匹配的特征点。此时，机器人还知道自己在哪里吗？地面在哪里？哪个方向是“上”？

传感器数据的混乱，会直接导致状态估计的崩溃。控制算法无法确定机器人当前的准确姿态，自然也就无法计算“该动哪个关节、用多大力气”才能站起来。这就好比一个人被蒙住眼睛、转晕了方向，即便四肢有力，也难以找到平衡点站起来。

小结：从“会走”到“会站”

人形机器人的行走技术已经日趋成熟，但“摔倒后自主站起来”仍是衡量机器人运动智能水平的一道硬门槛。它考验的不仅是控制算法的稳健性，更是机器人在面对非结构化环境时的感知融合、实时决策和全身协调能力。

2026年世界机器人大会即将启幕，在那些行云流水的行走演示之外，不妨多留意一下：如果它们摔倒了，能自己站起来吗？毕竟，一个真正能走进人类生活的机器人，不能总等着人去扶。

文/小Q 中国科普作家协会会员，科普中国签约作者

审核专家：刘伟，北京邮电大学智能工程与自动化学院特聘研究员、博士研究生导师

参考文献：

[1] Kajita S, Kanehiro F, Kaneko K, et al. Biped walking pattern generation by using preview control of zero-moment point[C]//2003 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2003: 1620-1626.

[2] Yang Z, Zhang H, et al. Constraint augmented differential dynamic programming for humanoid robot automatic falling recovery[J]. Autonomous Robots, 2025, 49(2): 101-118. DOI: 10.1007/s10514-024-10274-z

[3] Chen P, Wang Y, Luo C, et al. HiFAR: Multi-Stage Curriculum Learning for High-Dynamics Humanoid Fall Recovery[C]//2025 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2025. DOI: 10.1109/ICRA62524.2025.0021037

[4] Xu Z, Li Y, Lin K Y, et al. Unified Humanoid Fall-Safety Policy from a Few Demonstrations[J/OL]. arXiv preprint, 2025. arXiv:2511.07407

[5] Poddar N, McCrory S, Penco L, et al. Embedding Classical Balance Control Principles in Reinforcement Learning for Humanoid Recovery[J/OL]. arXiv preprint, 2025. arXiv:2603.08619