足式机器人（如四足机器狗）之所以能在复杂地形上奔跑、跳跃甚至抗干扰，其核心秘密武器之一就是模型预测控制（Model Predictive Control, MPC）。MPC 就像是机器人的“战术大脑”，它通过在线滚动优化的方式，实时计算出未来一段时间内每条腿该出多大的力，从而完美解决动态运动中的腿部力分配难题。

🧠 MPC的核心逻辑：走一步，看未来十步

传统的控制器（如 PID）往往是“走一步看一步”，发现身体歪了才去调整。而 MPC 的核心思想是“预判”。在每个控制周期（例如 100Hz，即每 0.01 秒），MPC 都会根据机器人当前的状态（位置、速度、姿态），快速推演未来一小段时间（预测时域，通常为 0.2~0.5 秒）内机器人的运动趋势。

它会在这个预测窗口内，通过数学优化算法，计算出一系列最优的控制指令（即每条支撑腿的足端反作用力）。算出这一连串未来的力之后，MPC 并不会全部执行，而是只提取当前时刻（即未来序列的第一步）的力作为最终指令，下发给底层控制器。到了下一个控制周期，机器人状态更新，MPC 会再次基于最新状态重新进行一轮预测和优化。这种“滚动优化”的机制，让机器人能够提前应对即将到来的地形变化或外部扰动。

📦 巧妙的模型简化：把机器人看作“单刚体”

足式机器人拥有十几个甚至几十个自由度，如果直接对完整的多体动力学进行实时优化，计算量极其庞大，根本无法满足毫秒级的控制需求。为了解决这个问题，MPC 采用了一个极其巧妙的简化：单刚体模型（Single Rigid Body Model, SRBM）。

在 MPC 的视角里，它暂时忽略了机器人复杂的腿部质量和关节运动，将整个机器人（躯干加腿）简化为一个在空中飞行的“盒子”（即单个刚体）。这个“盒子”受到两个主要外力：一个是始终向下的重力，另一个就是几条支撑腿与地面接触产生的地面反作用力（GRF）。通过牛顿第二定律（F=ma）和欧拉转动定律（M=Iα），MPC 只需要用 12 个状态变量（6个自由度的位置与速度）就能完整描述机器人的躯干动态。这种简化将计算量降低了数个数量级，使得在机载电脑上实时求解成为可能，同时又能保证极高的控制精度。

🎯 实时力分配的求解过程：凸二次规划（QP）

MPC 进行腿部力分配的过程，本质上是在求解一个带约束的凸二次规划（Convex QP）问题。它的优化目标非常明确：在满足各种物理限制的前提下，找到一组最优的足端力，让机器人的躯干能够精准跟踪期望的运动轨迹（如期望的前进速度、身体高度和姿态）。

在这个优化问题中，MPC 必须严格遵守以下物理约束：

1. 摩擦锥约束：为了防止机器人脚掌打滑，足端合力必须限制在摩擦锥之内（即水平方向的力不能大于垂直压力与摩擦系数的乘积）。
2. 单向接触约束：地面只能提供向上的支撑力，不能提供向下的“吸力”，因此垂直方向的反作用力必须大于等于零。
3. 执行器力矩限制：计算出的足端力，通过雅可比矩阵映射回关节空间后，不能超过电机和减速器的峰值扭矩极限.

通过高效求解器（如 OSQP）实时解算这个 QP 问题，MPC 就能输出当前时刻每条腿在 X、Y、Z 三个方向上应该施加的精确力值。

🤝 上下级协同：MPC 与 WBC 的完美配合

值得注意的是，MPC 算出来的只是躯干层面的“理想足端力”，但机器人最终执行的是 12 个关节电机的扭矩。这就需要一个“执行者”——全身控制器（Whole-Body Controller, WBC）。

在实际的分层控制架构中，MPC 作为上层战略指挥官，以较低的频率（如 100Hz）运行，负责规划躯干的动态和分配足端力。而 WBC 作为前线战术指挥官，以极高的频率（如 1kHz）运行。它接收 MPC 下发的足端力指令以及摆动腿的轨迹规划，结合包含腿部质量的完整多体动力学模型，通过力雅可比矩阵将足端力精准映射为 12 个关节电机的目标扭矩。

正是通过 MPC 的前瞻性力分配与 WBC 的高频精准执行，足式机器人才能在保持高速奔跑的同时，从容应对踢撞、打滑等各种突发状况，展现出惊人的动态平衡能力。