MIT Cheetah四足机器人源码解析：MPC与WBC动态控制实战

简介：MIT开源的Cheetah-Software-master是四足机器人领域标志性项目Cheetah的核心软件库，面向机器人研究者、工程师及高年级学生。源码采用模块化设计，将关节电机控制、步态规划、多传感器状态估计与硬件接口分离，便于理解控制链路，也为二次开发提供清晰框架。压缩包共984个文件，约4.33MB，以C/C++源文件（h、cpp、c、hpp等）为主，辅以lcm通信定义、Python脚本、配置文件与文档，目录划分明确，可快速定位到控制、规划、感知等模块。目前已有3863人学习下载，是深入剖析MIT Cheetah控制算法与系统集成的实用资料。借助开放源码，读者可复现行走、跑步、跳跃等运动模式，并在此基础上改进控制策略、添加新传感器或适配不同硬件平台，适合科研实验与机器人课程教学。

1. 源码初印象：Cheetah-Software-master到底是什么

第一次拿到 Cheetah-Software-master 这个目录名的时候，大部分人可能和我一样，以为它只是某个四足机器人项目的代码压缩包。但真正把源码拉下来、编译通过、看进核心算法之后，你会发现它在四足机器人圈子里几乎算得上“教科书级”的开源实现。它是 MIT 仿生机器人实验室（Biomimetic Robotics Lab）放出的猎豹机器人控制软件框架，支持 Mini Cheetah 和 Cheetah 3 两代硬件平台，核心代码量不算夸张，但每一行拿出来都值得反复读。

这套源码解决的核心问题，简单说就是：如何让一条四条腿的机械结构，在动态奔跑、跳跃、甚至被外力推搡的时候，依然能保持稳定。市面上做四足机器人的开源项目不少，但大多数停留在运动学层面的步态演示，也就是让机器人按固定轨迹迈腿。Cheetah-Software-master 走的是另一条路：它把四足机器人当成一个受约束的动力学系统来处理，控制频率很高（实机上达到 1kHz 的控制循环），核心用到了凸模型预测控制（MPC）和全身动力学控制（WBC）两套算法，前者负责规划足端受力，后者负责把这些力分配到各个关节。

这个项目的受众非常明确：已经有一定机器人学基础、想深入四足机器人动态控制的开发者。它不适合只想让机器人“走两步看看”的入门玩家，因为环境搭建和硬件门槛都不低。但如果你能啃下来，收获是巨大的——你会理解四足机器人真正“稳”的秘密，而不是停留在舵机加 Arduino 的玩具层面。

从源码结构上看，Cheetah-Software-master 遵循一套清晰的分层逻辑。common 目录放的是通用的数学工具和参数定义，user 目录是控制逻辑的主战场，sim 目录负责让代码在纯仿真环境里跑起来，还有单独的estimator 模块处理状态估计，convex_mpc 目录则封装了 MPC 优化问题的求解。这种划分方式本身就值得学习：它让算法研究和工程实现解耦，你在仿真里验证通过的控制器，切到实机只需要换掉底层通信接口，控制逻辑基本不用大改。

2. 核心算法拆解：MPC 和 WBC 到底在做什么

2.1 凸模型预测控制（MPC）——机器人怎么规划每一步的力

四足机器人动态控制最反直觉的一点是：你不能直接告诉关节“目标角度是多少”，而要先算出“足端需要施加多大的力”。Cheetah 的 MPC 模块就是干这个的。它的核心思路是把机器人简化成一个单刚体模型，忽略腿部的质量，假设所有质量集中在躯干质心，然后预测未来一段时间（比如 0.5 秒）内机器人的状态轨迹，在每个时间步解一个优化问题，求出最优的足端力序列。

这个优化问题的数学形式是一个二次规划（QP），目标函数是让机器人状态跟踪期望轨迹，同时让足端力不要太大太突兀。约束条件里最关键的是一条关于摩擦锥的约束——足端力必须落在摩擦锥内，否则脚会打滑。Cheetah 的 MPC 实现没有用现成的重型求解器，而是用了一种基于交替方向乘子法（ADMM）的定制求解器，求解速度非常快，可以在微秒级别完成一次优化，这才能在 1kHz 的控制频率下跑起来。

这里有个特别值得琢磨的设计：MPC 只负责生成力，不关心每条腿内部的关节角度怎么变。它把复杂的全身动力学问题拆成了“上层规划力、下层分配力”两层，大大降低了计算复杂度。我第一次读代码的时候，对着convex_mpc文件夹翻了一整天，后来才反应过来，这个“拆分”的思路才是整个控制框架最精髓的地方。

2.2 全身动力学控制（WBC）——把力变成关节扭矩

MPC 算出了期望的足端力，接下来需要把它转化为每个关节的扭矩指令，这个任务由 WBC 模块完成。WBC 的全称是 Whole-Body Control，它的目标是在满足动力学约束的前提下，让机器人的运动尽量贴合期望加速度，同时兼顾一些任务优先级——比如躯干姿态比腿部摆动更重要。

在代码里，WBC 会把机器人建模成多刚体动力学系统，维护一个包含质量矩阵、科里奥利力、重力项的完整动力学模型，然后求解一个带约束的优化问题。它的巧妙之处在于用了任务层级的思想：先保证最重要的任务（比如躯干高度和姿态），再在剩余的自由度里完成次要任务（比如摆腿轨迹）。这就像一个人走路时，就算手忙脚乱，也要先把身体稳住，再腾出手去做别的动作。

实机运行的时候，MPC 和 WBC 是串联工作的：MPC 以 30Hz 左右的频率运行（仿真里可以更高），每次算出一段未来足端力的期望值；WBC 则每个控制周期（1kHz）读取当前状态和 MPC 的最新结果，算出实时关节扭矩。这个“慢规划、快跟踪”的结构，是四足机器人动态控制的标准答案，MIT 的论文里公开过细节，Cheetah-Software-master 则给出了可以直接跑的完整实现，这也是它作为开源项目价值最大的地方。

2.3 状态估计：肚子里的“GPS”

如果没有准确的状态反馈，再好的控制器也是盲人摸象。Cheetah 的状态估计模块用到了扩展卡尔曼滤波（EKF）和惯性测量单元（IMU）数据，结合腿部运动学编码器信息，估算出躯干的姿态、角速度、线速度等状态信息。它不依赖外部动作捕捉系统，在室内和野外都能工作，这是它能从仿真走到实机的关键一环。

代码里估计器的实现不算特别复杂，但细节陷阱很多，比如 IMU 的零偏校正、坐标系的约定、测量噪声的调参。这些参数如果调得不好，仿真的控制效果看起来很好，一上实机就会原地乱抖，是我们调试时最头疼的部分之一。

3. 从源码到运行：编译环境搭建与仿真实战

3.1 环境准备与依赖安装（Ubuntu 上的完整流程）

Cheetah-Software-master 的开发环境是 Ubuntu + ROS 之外的一套独立体系，不依赖 ROS 也能完整跑通，这对不想被 ROS 束缚的人来说很友好。我在 18.04 和 20.04 上都编译过，流程基本一致，但有几个依赖的坑必须先说清楚。

首先需要准备这些依赖：Eigen 3（线性代数库）、LCM（Lightweight Communications and Marshalling，用于进程间通信）、Yaml-cpp（配置文件解析）、Google Test（测试框架）。LCM 是这套代码的通信骨架，它负责仿真客户端和控制主进程之间的数据交换，装不好的话后面会很痛苦。

# 更新系统源并安装基础依赖 sudo apt update sudo apt install -y cmake g++ git libeigen3-dev libyaml-cpp-dev libgoogle-glog-dev libgtest-dev # 安装 LCM（注意：从源码编译比较稳妥） git clone https://github.com/lcm-proj/lcm.git cd lcm mkdir build && cd build cmake .. make -j$(nproc) sudo make install # 设置 LCM 环境变量 echo "export LCM_INSTALL_PATH=/usr/local" >> ~/.bashrc source ~/.bashrc

这里有个容易踩的坑：LCM 默认会安装到/usr/local/lib，如果系统找不到.so文件，需要手动配置动态链接库路径。在~/.bashrc里加一行export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib，可以少折腾半小时。

编译主工程就相对简单了：

cd Cheetah-Software-master mkdir build && cd build cmake .. make -j$(nproc)

如果顺利的话，你会在build目录下得到sim和robot两个可执行文件，前者用于仿真，后者用于实机。

3.2 仿真模式跑起来：Mini Cheetah 的虚拟世界

Cheetah 的仿真环境是一个叫sim的独立进程，它和robot进程通过 LCM 通信。官方推荐用自带的仿真器跑，但也支持接 MuJoCo，只是配置起来多一步。第一次跑的时候，建议直接用它自带的仿真器，少了外部依赖，出问题的概率小很多。

启动仿真的步骤如下：先启动sim进程，再启动robot进程并传入sim参数：

# 终端 1：启动仿真器 ./sim # 终端 2：启动控制程序（sim 模式） ./robot sim

默认情况下仿真里跑的是 trot 步态，四足对角小跑，速度不快但很稳。如果想快速验证控制器效果，可以试试用键盘控制机器人前后左右移动，或者把 MPC 的权重参数调大调小看反应。我在第一次成功跑起来的时候，看着画面里那只 Mini Cheetah 稳稳当当地小跑，那种兴奋感至今还记得。

仿真模式下调试的核心思路是：先把控制参数调到系统稳定，再逐步增加速度和扰动。Cheetah 的默认参数是为实机调出来的，仿真里可能偏保守，你可以直接改user/MiniCheetahSpi_CPP.cpp或者对应的参数配置文件里的 MPC 权重，比如增加Q矩阵中位置项的权重，机器人会表现得更“硬朗”，但过大可能导致震荡。

这里分享一个我实际验证过的操作：如果你想快速看 MPC 控制效果，可以在仿真里直接给机器人一个初始速度偏移，或者把地面摩擦系数调低一档，观察控制器怎么自适应。Cheetah 的控制器对地面摩擦变化的响应非常灵敏，这也是 MPC 相比传统轨迹规划的优势所在。

3.3 实机适配：从仿真到真机的迁移路径

实机运行需要注意的细节比仿真多一个数量级。Cheetah 实机运行需要连接 Mini Cheetah 的 SPI 通信接口，代码里用的是一块专门的实时控制板（通常会搭配实时内核或 RT-SoC）。大部分爱好者没有 Mini Cheetah 实机，但在移植到自研四足机器人平台上时，流程是可以复用的。

核心改动集中在三处：一是robot程序里的通信层，把 SPI 驱动替换成自己的电机驱动接口；二是模型参数，common目录下定义的质量、腿长、惯量等参数需要改成自己机器人的实测值；三是控制参数，特别是 WBC 里的任务权重，不同质量的机器人会有非常大差异。把这三处改好，理论上控制框架是可以直接在自研硬件上跑的，这也是这套开源代码最吸引人的地方——它允许你把世界顶级的控制算法用在自定义平台上。

4. 二次开发思路与常见问题排查实录

4.1 想改步态？从 Trot 到 Bounding 的快速上手

既然拿到了源码，大多数人肯定不满足于只跑默认步态。Cheetah 的步态切换主要靠调整 MPC 里的足端接触时序和摆动轨迹。代码里定义了GaitType，可以切换trot（对角小跑）、bounding（双前双后跳跃）、gallop（奔跑）等。

我个人建议，想理解步态切换机制，可以从一个小改动入手：把 trot 的接触时间占比从 0.5（即占空比 50%）改成 0.3，相当于让机器人每条腿触地时间更短、腾空时间更长，机器的“小跑”会逐渐变成“跳跃”。你直接在 MPC 的步态生成器里改接触序列的时间表，就能立刻观察到动态变化，这是理解四足步态控制最直观的方法。

需要注意一点：大步态周期（比如跑得更快）要求 MPC 的预测时域更长，否则控制器看不到下一步的落点，会出现“脚抬起来不知道往哪放”的尴尬。所以改步态时，dt（控制周期）和horizon_length（预测步数）要联动调整，这也是很多新手改了步态以后机器人突然摔倒的原因。

4.2 参数调优心得：MPC 权重的实际手感

调参这件事，只看公式是学不会的，必须上手摸。Cheetah 的convex_mpc里有一组对角矩阵Q，对应位置、姿态、速度、角速度的跟踪权重。我自己的经验是：

• 如果机器人躯干晃动厉害，优先加大位置和姿态权重，其中姿态权重的优先级最高，因为动态平衡首先要稳住躯干。
• 如果机器人走路“发飘”、软绵绵的，可以适当减小 Q 矩阵里速度项的权重，让控制器更果断地牺牲速度来换稳定。
• 如果足端力跳变剧烈、关节嘶吼，检查 WBC 里的力矩限幅和关节速度阻尼项，不要一味放大 MPC 权重，否则会烧电机。

调参必须一次只动一个参数，记录前后效果，同时用仿真里的状态曲线（比如躯干俯仰角、足端力）做参照，而不是只看画面“稳不稳”。很多问题在仿真里是看不出来的，必须放到真实地面、不同摩擦系数的条件下测试，才能暴露鲁棒性问题。

4.3 高频踩坑记录：编译、通信和控制三座大山

我在读这个源码的过程中，几乎把能踩的坑都踩了一遍。整理几个最典型的，希望能帮你省点时间：

其中 LCM 通信问题是最容易让新手放弃的。如果你在好几台机器上都遇到 sim 和 robot 连不上的情况，大概率是 LCM 的默认多播地址在局域网里被防火墙拦了。一个替代方案是把通信方式从 UDP 多播改成单播回环（只在本机跑时）：在启动前设置export LCM_DEFAULT_URL=udpm://127.0.0.1:7667?ttl=1，就能绕开大部分网络问题。

4.4 源码阅读路线的个人建议

最后聊聊源码阅读顺序。我见过不少人拿到代码就从main函数一路往下读，结果被各种回调绕晕。我的建议是反着读：先看convex_mpc里的成本函数和约束定义，理解 MPC 在优化什么；再看WBC里的任务优先级，理解力是如何分配的；然后回到robot主循环，看 1kHz 的控制时序怎么组织；最后才补estimator和通信模块。这样读下来，你脑子里会先建立一套“控制逻辑框架”，再往里面填工程细节，效率会高很多。

另外，源码里有很多注释和论文引用标记，建议把对应的 MIT 猎豹论文（比如 “Dynamic Locomotion in the MIT Cheetah 3 Through Convex Model-Predictive Control”）打印出来对照着读。代码是论文的落地实现，论文是代码的思维导图，两者配合起来，你对整个系统的理解会有一个质的飞跃。

我在读源码的过程中最大的感受是：四足机器人的动态控制没有银弹，MPC 和 WBC 的组合不是唯一解，但它是目前开源社区里最成熟、最经得起实机检验的方案之一。Cheetah-Software-master 的价值不是让你直接复制一套机器人出来，而是让你在看懂源码之后，有能力在自己的平台上解决实际问题。这也是我强烈推荐你花时间把它啃完的原因。

本文还有配套的精品资源，点击获取