机器人设计每改一次腿长、机身或电机参数，都可能牵动模型、仿真和控制流程。Draft 把这轮迭代改成参数输入：先生成可运行的仿真模型，再比较不同形态的运动表现。
114
执行器样本。
49
机器人描述。
3
四足设计方案。
机器人还没造出来，设计师已经可以先看它会不会跑、跑得多快。身体尺寸和电机选择对控制效果的影响，也能在这一步比较。
把 CAD 迭代改成参数迭代。
传统流程里，工程师调整机器人形态后，还要把几何变化带进可运行的仿真模型。腿变长、机身变宽，或者换一类电机，都会牵动质量、关节和控制参数。Draft 用参数文件和运动链描述机器人，再自动编译成适用于 MuJoCo 的 MJCF 模型。论文称，这一步不需要为每个方案重新制作 CAD 模型。
这样改动的单位从“重新画一套模型”变成了“修改一组参数”。参数可以描述连杆长度、密度、电机类别和关节关系。运动链里的表达式还可以让不同部件共享参数：例如改变肩部宽度时，与它绑定的几何形态一起变化。
▸ 输入。 连杆长度、密度、执行器类别和运动链结构。
▸ 生成。 自动编译出可加载到 MuJoCo 的 MJCF 模型。
▸ 评估。 用控制训练和仿真表现比较不同设计。
参数不是随便填的。
如果参数只是一组理想化数字，仿真里的机器人可能从一开始就不具备现实可行性。Draft 用 114 个执行器和 49 个已发表机器人描述拟合参数。
连杆质量、电机能力和机器人尺寸，因此会落在真实硬件的范围附近。
研究团队还为 4 个现成机器人建立了数字孪生，用来检查这些趋势能否还原真实机器的质量。论文摘要给出的结果是，质量预测的几何平均折叠误差为 1.10 倍。这一步把设计参数和真实硬件的质量范围接在一起，设计师看到的模型因此有了硬件参照。
最后要比较的，是身体和控制能不能一起工作。
机器人形态改变后，控制器也要面对新的腿长、站姿、关节扭矩和质量分布。Draft 用强化学习训练控制策略，再比较不同形态在仿真中的运动表现。论文展示了三种四足设计：轻量、追求速度的 Cheetah；使用更高关节扭矩、体型更重的 Bear；以及把腿做得更长、配合高减速比执行器的 Giraffe。
这些名字背后是不同的工程取舍。腿更长，身体尺度和执行器能力要一起变化；电机更强，质量和运动目标也会随之变化。
仿真把这些组合放进同一套评估流程。设计师可以比较速度、力量、体型和控制难度之间的关系。
原帖视频画面展示不同形态的双足与四足机器人模型。
边界仿真筛选不是实体验收。
这项工作展示的是参数化生成、硬件数据约束和控制训练如何连起来。论文验证了质量趋势，并在仿真中比较了四足设计；从公开摘要看，文章没有把这三种方案写成已经完成制造和现实场地测试的成品。
机器人设计真正被压缩的时间，发生在制造之前。每一次形态选择都可以先进入模型生成和控制评估流程。
方案经过这一轮筛选后，实体硬件再接手那些值得继续投入的设计。
SOURCES。
来源：arXiv 论文 Draft。
来源：X 帖 @spaceandtech_，视频与文字说明。