未知质量让标称模型变成错误模型
人形机器人举起一个尚未称重的箱子时，面对的不只是额外向下的力。论文指出，未知负载会同时扰动机器人的质量、质心位置和惯性张量，因此控制器模型与真实系统之间的失配是一种耦合的、随状态变化的非线性，而不是简单的有界扰动。这一区别很重要，因为它解释了作者为何没有直接加入扰动观测器或鲁棒控制律：这些路线需要显式的扰动模型、可靠的不确定性界，或对负载进行在线辨识，而论文称这些量在全尺寸人形机器人上噪声较大。
因此，该架构把问题拆开处理。质心模型预测控制器（MPC）规划动力学可行的质心运动与接触力，全身控制层则在运动学和动力学约束下于关节空间跟踪这些参考。单独看，这两层都不知道物体有多重。自适应模糊平衡控制器负责对由此产生的跟踪误差作出反应并生成补偿力矩，再通过力矩映射步骤分配到支撑腿关节。论文的表述是，这样既保留了MPC约束感知的最优结构，又增加了一个反应式修正层。
补偿力矩被映射到支撑腿而非手臂
自适应模糊控制器根据跟踪误差估计力矩补偿，并叠加到MPC的标称输出上。论文把分配步骤描述为一个优化问题：选择腿部关节力矩，使二次代价最小，同时满足一个条件——这些力矩要在骨盆处（站立阶段视作末端执行器）复现期望的任务空间补偿力矩。通俗地说，控制器先决定骨盆处需要多少修正，再问支撑腿关节力矩的哪种组合能以最低代价提供这一修正。
设计选择在这里变得具体。修正不是作为任意的全身推力施加，而是经由支撑腿传递——支撑腿已经与地面接触，能把关节力矩转化为骨盆处与平衡相关的力。论文给出的选择模糊逻辑而非基于模型替代方案的理由是：负载引起的失配是非线性且随状态变化的；而传统模糊控制器被描述为依赖启发式规则设计，缺少预测优化和约束处理。所提出的组合意在保留MPC的约束处理能力，同时加入模糊逻辑对未建模变化的容忍度。
三阶积分规划器让姿态转换平滑可行
降低骨盆以抓取物体、再站起，并不是小扰动。论文把站立机器人建模为含髋、膝、踝角的三连杆平面链，并用离散时间三阶积分模型生成轨迹，其输入为加加速度。优化目标是最小化对参考关节构型的加权跟踪误差与加加速度输入的大小，约束包括积分器动力学、关节位置、速度、加速度和加加速度边界，以及质心投影保持在支撑多边形内的约束。
另一个机制决定骨盆在水平方向的位置。给定期望的骨盆高度和俯仰角，逆运动学可能有无穷多个水平解能使质心投影落在支撑多边形内，因此算法逐步移动水平位置，返回第一个关节角在限位内的构型。论文报告的姿态转换示例中，质心投影全程保持在支撑多边形内，且由于这一选择步骤，骨盆x位置在初始与最终姿态之间发生移动。这是策略中的主动部分：规划器不等平衡误差出现，而是选择一个更易于持载的姿态。
最清晰的对比是崩溃与维持裕度
把各模块组合起来的最直接证据来自MuJoCo仿真。论文报告，使用标准质心MPC且没有自适应平衡控制时，未补偿的质心偏移叠加未优化的运动学轨迹，使机器人在举持未知重载时超出稳定裕度，并在阶段1至3向前倾倒、崩溃。使用所提框架时，机器人计算补偿力矩并合成可行路点，主动降低质心，使质心在整个操作周期内保持在稳定裕度内。
这是定性比较，而非报告了数值裕度，也应如此理解：仿真在非自适应基线上隔离了自适应加姿态规划的贡献，但证据包没有给出任一条件下的量化稳定裕度值。它确立的是设计所针对的失效模式，以及成功案例中两个组件被一起使用。
更重的负载提高控制力度并带来小幅振荡
在28自由度人形机器人上，控制栈以三种频率运行：质心MPC为50 Hz，自适应框架为500 Hz，底层力矩控制器高于1 kHz。在7 kg举升试验中，机器人约在30 s开始降低骨盆并前倾，3 s内完成下坐动作，抓取物体，在55 s至80 s之间站起，随后把物体放回地面；论文报告骨盆高度、俯仰角以及髋、膝、踝关节角度和力矩全程平滑过渡。
对负载不确定性而言，10 kg试验提供的信息更多。机器人约在20 s进入弯腰姿态，约30 s抓取物体，然后在逐渐恢复躯干俯仰角的同时举升。由于负载质量变化显著、躯干动力学随之改变，自适应控制器提高了控制力度，论文将其表现为初始举升阶段骨盆高度和俯仰角的小幅振荡；俯仰角稳定后，机器人恢复高度并最终回到标称直立位置。这些振荡是反应式修正的可见代价，而非失败，并且具体出现在更重负载的条件下。
同一套模糊参数沿用到行走
第二个硬件场景串联了完整任务：83 s弯腰抓取，110 s举升并回到初始姿态，140 s至155 s携带7 kg负载行走15 s，然后放下物体并恢复。论文报告机器人在不确定负载下正常行走并保持稳定运动。
有一个细节值得注意，因为它关系到补偿的通用程度。模糊参数没有为行走重新调参，作者以此作为调参并非针对举升任务的证据。这是关于参数在本机器人和这些试验内迁移的论断，并不证明控制器能迁移到其他机器人、其他负载形状或更快的运动；证据包没有提供此类测试。
反应式模糊修正是框架的薄弱环节
论文自己的讨论把模糊逻辑认定为启发式且反应式的，并表示未来工作将采用基于学习的方法优化补偿策略，并引入主动扰动观测器，以提升高动态环境中的敏捷性。提取文本中的限制章节在证据包中不可读，因此无法在此报告具体列出的限制。可以说的是，定量记录在一方面较薄弱：硬件结果以7 kg、10 kg和举升-行走案例的骨盆高度、俯仰角、关节角度与力矩时间历程呈现；摘要所称相对非自适应基线改善平衡鲁棒性、减少跟踪退化，在证据包中主要由仿真崩溃对比支持，而非由报告的误差指标支持。
因此，实际解读应是有优先次序的判断，而非笼统背书。最强证据支持的是：在控制器未辨识负载的情况下，把主动姿态规划与反应式腿部力矩补偿结合，适用于测试的7 kg和10 kg质量，以及测试的下坐、举升、搬运和放置序列。作者自己指出的最薄弱环节是修正层在误差出现后才反应；如果任务要求更快的扰动抑制，论文指向学习式补偿和主动观测器，而不是继续调整现有模糊规则。
本文引用的文献
Adaptive Whole-Body MPC with Optimal Posture Planning for Humanoid Robots under Unknown Payloads
质心MPC、把修正力矩分配到支撑腿关节的自适应模糊平衡控制器，以及基于三阶积分路点的姿态规划器，共同使人形机器人在举升7 kg和10 kg负载、携带7 kg行走时保持平衡；而在仿真中，非自适应质心MPC在未知重载下崩溃。