人形机器人运动控制是人形机器人能够在复杂环境中灵活移动的基础，也是制约其商业化落地进程的关键环节。人形机器人运动控制系统一般可分为硬件和软件算法两部分。硬件部分主要包括控制器、伺服驱动器和传感器；软件算法部分历经迭代，包括基于模型的控制算法（如模型预测控制MPC和全身控制WBC）和基于学习的控制方法（如强化学习RL和模仿学习IL）。
基于模型的运动控制方法核心是平衡控制器，通过建立机器人的运动学和动力学模型进行运动轨迹规划和平衡控制，特点是身体控制稳健，步频较慢。主要方法包括：
- 稳定性判据：如零力矩点ZMP和捕获点，用于定义机器人在执行运动或与环境交互时如何维持平衡和避免跌倒的标准和方法。
- 模型预测控制MPC：使用机器人系统的动力学模型预测未来行为，并通过优化目标函数计算当前最优控制输入，主要用于在线步行模式生成和在线轨迹生成。
- 全身控制WBC：协调机器人多自由度的全身运动，在多任务和复杂约束条件下完成高效、鲁棒的控制，通常接收MPC输出的操作空间任务。
基于学习的运动控制方法是指利用数据驱动技术使机器人能够从经验中学习运动策略，特别适用于传统模型可能难以捕捉与未结构化或不可预测地形互动复杂性的环境。主要方法包括：
- 强化学习RL：通过与环境交互、根据奖励和惩罚信号自主学习运动技能，特别适用于复杂全身运动协调和特定任务微调，但存在Sim-to-Real差距、奖励函数设计困难、样本效率低下等问题。
- 模仿学习IL：从专家演示中训练策略，包括行为克隆BC、动作分块ACT、扩散策略、逆强化学习IRL等，特别适用于学习复杂技能，但存在机器人经验数据稀缺、泛化受限等问题。
- 混合学习：结合RL和IL或基于模型的方法和学习方法，如RL教师-IL学生范式、IL预训练-RL微调、轨迹参考跟踪学习、轨迹参考增强学习等，旨在利用各自优势实现更有效的模拟到现实的转移。
人形机器人运动控制领域主要厂商包括特斯拉、图灵AI、1XTechnologies、智元机器人、波士顿动力、宇树科技等。特斯拉Optimus采用纯视觉方案和端到端神经网络实现机器人任务处理，并建立AI计算集群Cortex和研发专用芯片Dojo；图灵AI推出通用的视觉-语言-动作（VLA）模型Helix，实现全身控制、多机器人协作和基于自然语言提示的任务执行；1XTechnologies的NEO机器人采用强化学习和海量人体动作数据训练，实现自然行走和操作；智元机器人推出AgiBotDigitalWorld大型仿真框架，为机器人技术提供高保真模拟与数据支持；波士顿动力Atlas通过MPC与扩展动力学模型实现机器人本体与外部物体的动态协同优化；宇树科技推出H1/H1-2、G1等系列产品，采用自研高性能电机直驱和AI驱动的运动控制与智能化。
投资建议关注受益环节及标的：运控系统（固高科技、雷赛智能）、软件及仿真工具（NVIDIAIsaacSim、PyBullet、Gazebo）、动作捕捉设备（Xsens、Vicon、凌云光、诺亦腾）。
风险提示：人形机器人产业发展不及预期、数据训练效果不及预期、运控算法迭代不及预期。
