Die Ganzkörper-Steuerung (Whole-Body-Control, WBC) ist ein Ansatz, bei dem alle Gelenke eines Humanoiden — Beine, Rumpf, Arme, Kopf — als ein zusammenhängendes System gesteuert werden, nicht als getrennte Teile. Der Grund liegt darin, dass bei einem Roboter mit vielen Freiheitsgraden jede Bewegung verknüpft ist: Wenn der Roboter die Hand nach einem schweren Gegenstand ausstreckt, verschiebt sich sein Schwerpunkt, und die Beine müssen sofort reagieren, damit er nicht stürzt. Die Whole-Body-Control löst diese Abhängigkeiten gleichzeitig und koordiniert.
Technisch handelt es sich meist um eine Optimierungsaufgabe, die viele Male pro Sekunde gelöst wird: Gesucht wird eine solche Beschleunigung aller Gelenke, die die vorgegebenen Ziele bestmöglich erfüllt (zum Beispiel „halte das Gleichgewicht” und zugleich „bewege die Hand dorthin”) und dabei die Beschränkungen einhält — Grenzen der Motormomente, Gelenkbereiche, Kontakt der Füße mit dem Boden. Die Ziele werden dabei priorisiert: Das Halten des Gleichgewichts hat höhere Priorität als die Genauigkeit beim Erreichen mit der Hand, weil ein Sturz schlimmer ist als eine kleine Ungenauigkeit.
WBC hängt eng mit der prädiktiven Regelung (MPC) zusammen, die eine Planung einige Schritte im Voraus hinzufügt, sowie mit dem im Eintrag ZMP und dynamisches Gehen beschriebenen Stabilitätskriterium. Sie knüpft außerdem an die inverse Kinematik an, die sie um Dynamik und Bodenkontakt erweitert.
Die Whole-Body-Control ist eine klassische („modellbasierte”) robotische Disziplin und das Rückgrat dynamisch stabiler Roboter wie Atlas, TALOS oder der Unitree-Plattformen. In jüngster Zeit vermischt sie sich mit dem Lernen: Durch Reinforcement Learning trainierte Policies bewältigen die Ganzkörperkoordination direkt, ohne explizite Optimierung in jedem Schritt. Die Praxis ist heute oft hybrid — eine erlernte Schicht oben, klassische Regelung und Sicherheitsgrenzen unten.