如果只看外表，人体运动似乎很容易被“骨架点”概括：一个髋关节角度，一个膝关节角度，再加上脚的位置，就能刻画一段步态。但真正让人走起来的，不只是骨架。肌肉受到神经系统的控制发力收缩，关节受到约束，脚掌和地面接触，身体还要在不断扰动中保持平衡。

很多时候，需要研究的恰恰是这些藏在姿态背后的东西：某块肌肉是不是过度发力？外骨骼有没有把不该有的力传给人体？一个假肢结构改变后，身体会不会用新的方式补偿？这些问题很难只靠真实人体实验反复试，因为成本高、风险大，有些变量也不容易直接测量。一个足够完整、能在物理引擎中运行的人体肌骨模型，就像一个可以反复实验的“数字人体”。

肌肉骨骼仿真（musculoskeletal simulation）在物理仿真引擎中建模人体的肌肉、骨骼、关节、接触和控制，从而推进对运动控制、人机交互和具身智能的研究。

清华大学 LNS Group 近期将人体全身肌肉骨骼模型MS-Human-700及其相关强化学习环境开源。在项目主页中，整理了该研究组围绕全身人体肌骨模型展开的一系列工作：从模型构建，到高维控制，再到接触建模和强化学习中的高维探索算法。MS-Human项目在开源模型文件之外，也正在搭建一个持续生长的肌骨智能体研究平台。

项目主页：https://lnsgroup.cc/research/MS-Human

核心论文：Self Model for Embodied Intelligence: Modeling Full-Body Human Musculoskeletal System and Locomotion Control with Hierarchical Low-Dimensional Representation

会议： IEEE International Conference on Robotics and Automation (ICRA) 2024

全身人体肌肉骨骼模型MS-Human-700

MS-Human-700 模型是项目中仿真的基础。它是一个在MuJoCo 物理引擎中建模的全身人体肌肉骨骼模型，包含躯干和四肢，主要由 90 个身体节段、206 个关节和700 个肌肉-肌腱单元（muscle-tendon units）组成。

全身人体肌肉骨骼模型可以让研究者在仿真中考虑全身运动，例如：走路时上肢摆动或躯干稳定如何帮助平衡，外骨骼和腿部接触力如何影响步态，假肢替换一部分身体结构后控制策略如何调整，这些问题都需要更完整的身体模型。

从建模方式看，MS-Human-700 将骨骼、关节自由度、肌肉路径和肌肉动力学放进 MuJoCo 物理仿真环境中。对于每个身体节段，都按照文献中的解剖学参数设置了质量、转动惯量等动力学仿真属性。在关节的设计上，使用了旋转关节和滑动关节，并设置了它们的转轴位置、朝向和运动范围，以仿真人体的复杂运动。肌肉采用生物力学领域中常用的Hill-type muscle model，其肌肉力与肌肉长度、速度、激活状态等变量有关，肌肉激活度被每个肌肉-肌腱单元对应的神经信号控制，从而尽可能近似生物体的神经-肌肉动力学。

肌肉骨骼仿真与控制

MS-Human-700的控制难点来自于：700个肌肉驱动器的动作空间维度显著大于人体运动的关节空间，带来了很高的冗余性质。并且，肌肉之间有协同，也有拮抗。人体的动作并不是由几个理想电机直接驱动的，而是由许多块肌肉被神经系统一起协调着收缩或放松，从而牵动骨骼完成的。我们平时看到的人体连贯动作，放到肌肉骨骼模型仿真里，就会变成一个高维、强耦合、高冗余、非线性的动态系统，给优化算法和控制算法带来了很大的困难。

MS-Human project 不只展示模型本身，也把后续围绕这个模型展开的仿真和控制工作放在一起。

高维肌骨系统的强化学习高效训练：DynSyn（Dynamical Synergistic Representation）从动力学结构中学习协同表示，用来控制高维、过驱动系统。DynSyn试图从系统动力学中提取肌肉的协同结构，再用于具体任务控制。

，时长00:20

用MPC减少对高维系统控制的长时间训练： MPC2 （Hierarchical Model-Based Planning）关注高维肌骨系统的模型预测控制（model predictive control）。和纯强化学习不同，MPC2 更强调利用模型进行规划，实现了接近实时的分层 model-based 控制，并且能在模型变化和外部扰动下保持一定适应性。

高维连续控制里的高效探索：QFlex（Scalable Exploration for High-Dimensional Continuous Control via Value-Guided Flow）面向高维连续控制中的探索问题。肌骨模型动作空间大，普通随机探索很容易浪费在无效动作上，甚至让模型直接摔倒。QFlex 使用 value-guided flow，让策略探索更有方向，同时保留原始动作空间的灵活性，可以实现全身跑步、芭蕾等更复杂动作控制结果。

小结

总体来看，MS-Human-700 model把一个全身人体肌骨模型放进了 MuJoCo 和 Gymnasium 的开源工具链中，让模型查看、控制训练、任务复现和后续扩展变得更简单直接。MS-Human Project中的一系列工作在全身肌肉骨骼模型的基础上，提供了一系列控制算法与仿真工具，逐步推进肌肉骨骼模型仿真在运动控制、人机交互、运动康复以及具身智能等方面的研究与应用。