全身控制 vs 逆向運動學：人形機器人操作物體時該用哪一種思路

手伸出去，身體其他部位在幹嘛

機械手臂要抓取一個物體，標準做法是對這條手臂單獨求解逆向運動學（IK）——已知末端目標位置，反推每個關節該轉到什麼角度。這個方法對固定底座的工業機械手臂完全夠用，但套用到人形機器人身上，一旦目標物體需要彎腰或跨步才能碰到，單純對手臂做 IK 求解就會遺漏一個關鍵問題：彎腰跨步的過程，會改變機器人整體的重心位置，如果沒有同步考慮這個效應，機器人很可能在完成手部動作的同時失去平衡。

純手臂 IK 的隱藏假設：下半身穩如泰山

對手臂單獨做逆向運動學求解，隱含一個重要假設——機器人的軀幹與下肢維持在固定、穩定的姿態不變，手臂的運動不會對整體平衡造成任何影響。這個假設對站立不動、手臂動作幅度不大的簡單抓取任務通常成立，本站在雅可比矩陣一文中討論的奇異點與可操縱度分析，在這個假設下也只需要考慮手臂自身的運動學結構，不需要把下肢或軀幹的自由度也納入分析範圍。

但人形機器人一旦需要彎腰撿地上的物體、或是伸手去拿超出正常站姿伸展範圍的高處物品，軀幹與下肢的姿態勢必要跟著調整——彎腰會讓上半身重心前移，如果下肢沒有同步調整（例如微幅屈膝、調整腳踝角度來補償），機器人整體的重心可能移出雙腳支撐的穩定範圍，直接導致跌倒。純粹針對手臂單獨求解 IK，完全沒有機制去考慮這種全身姿態耦合對平衡穩定性的影響。

全身控制：把所有自由度跟約束放進同一個最佳化問題

全身控制（Whole-Body Control）的做法，是不把手臂視為獨立的運動鏈，而是把機器人全身所有自由度（手臂、軀幹、雙腿）統一納入同一個最佳化問題裡求解——目標函數同時包含「手部要到達指定位置」這類任務目標，以及「保持零力矩點（ZMP）落在支撐多邊形內」這類平衡約束，求解器在滿足平衡約束的前提下，找出一組全身關節角度組合，同時盡量逼近手部到位的任務目標。這種方法讓機器人能自然地生成「彎腰時同步微調膝蓋與腳踝角度來維持平衡」這類人類做起來毫不費力、但對純手臂 IK 框架而言完全無法生成的協調動作。

實務實作上，多數全身控制框架會採用任務優先層級（task hierarchy）架構，而不是把所有目標放進沒有優先順序的單一最佳化問題——平衡約束（不跌倒）通常被設為最高優先層級，必須被嚴格滿足，手部到位這類次要任務目標，則是在平衡約束容許的解空間範圍內盡量逼近。這種分層設計不只是計算效率的考量，也符合直覺的任務優先順序——沒有任何手部到位的任務目標，會比機器人不跌倒更重要。

對計算資源的額外要求，是全身控制的現實代價

把全身自由度跟多重約束塞進同一個最佳化問題，計算複雜度明顯高於單純的手臂 IK 求解，這也是為什麼全身控制框架直到近年嵌入式運算能力與二次規劃求解器效率大幅提升後，才逐漸在人形機器人的即時控制迴路裡變得可行。這跟本站在運動學奇異點一文中討論過的問題屬於相關但不同層次的挑戰——全身控制框架不只要處理單一運動鏈的奇異點問題，還要同時處理多條運動鏈（雙臂、雙腿）之間的耦合約束，計算複雜度的來源更加多元。

選擇的核心：任務有沒有超出局部運動學範圍

判斷一個操作任務是否需要全身控制，核心問題是任務目標是否超出手臂單獨運動就能達成的範圍——如果機器人只是站立不動、手臂伸展就能完成的簡單抓取，單純的手臂 IK 已經足夠、也運算成本更低；只有當任務需要彎腰、跨步、或涉及需要主動平衡補償的姿態調整時，全身控制框架能同時處理多自由度耦合與平衡約束的能力，才會從「錦上添花」變成「任務可行性」的必要條件，這也是人形機器人相較固定底座機械手臂，在控制系統設計複雜度上明顯提高的核心原因之一。