基于注意力神经地图编码的敏捷泛化足式运动

论文元信息

标题：Agile and Generalized Legged Locomotion via Attention-Based Neural Map Encoding（基于注意力神经地图编码的敏捷且泛化足式运动）

作者：Chong Zhang、Victor Klemm、Fan Yang、Marco Hutter（ETH Zurich 机器人与系统实验室 Robotic Systems Lab；通讯作者 chong.zhang@ai.ethz.ch；作者亦隶属 Secure, Reliable, and Intelligent Systems Lab 与 ETH AI Center）

链接：arXiv:2601.08485v3 [cs.RO]，2026-09-07 更新；全文 https://arxiv.org/abs/2601.08485；项目主页 https://sites.google.com/leggedrobotics.com/ame-2 ；结果视频 https://www.youtube.com/watch?v=FNA1crvtBLs

代码状态：已发布最小复现仓库 github.com/leggedrobotics/ame2_minimal（约 78 star / 3 fork，GPL-3.0，2026-10-05 建仓）。它是一个 Isaac Lab 扩展，主打 Unitree G1 的教师策略训练，并附带 AME-1 与 MoE 两个对照实现、可选 TAGA 式主动视野变体，以及一个 G1 教师 checkpoint（modelzoo/g1_gaze_64000env_10h）。作者在 README 里明确写着「half-archived as a reference to a finished work」「No feature contribution」；论文 ANYmal-D / TRON1 那条链路的三块——Mid-360 激光神经建图入环、G1 学生训练、建图模型权重——被划线标注「unavailable until the next paper release」。因此策略侧与奖励/终止逻辑、概率胜者全取的融合代码可以逐行读，学习型建图网络的权重尚未放出。

一句话总结

AME-2 在注意力地图编码器上多接了一路「全局地形上下文」，用它去调制「局部接触特征」，再配上一套能同时跑仿真与真机、显式建模遮挡与噪声的不确定性神经高程建图；同一套奖励与训练配方不加改动地套在四足 ANYmal-D 与双足 TRON1 上，让控制器零样本爬上 1 米高台、以 2 m/s 跑酷、走过 19 cm 平衡木，并把「什么时候该用膝盖、什么时候该收腿缓冲」这类全身接触行为自动学了出来。

论文主图（Fig. 1）：同一套方法在四足 ANYmal-D 与双足 TRON1 上，仅靠机载感知与计算，穿越台阶、箱体、斜坡、废墟与稀疏地形等多样地形。

研究背景与动机

足式机器人要在真实世界里可靠工作，敏捷与泛化缺一不可：既要能爬高台、跳裂缝、踩稀疏落脚点，又要在没见过的地形上不崩。难点在于感知与控制必须紧耦合，而且遮挡、稀疏落脚点、传感器噪声都是常态。

一条成熟的路线是经典模型预测控制：维护状态估计器，用激光或深度相机建显式高程图，再基于地图做规划与控制。这类方法在结构化地形上很稳，但建图常依赖手工调参的滤波与概率融合，速度慢、要针对地形调参，一旦遮挡导致高程图出现空洞就束手无策——太慢，撑不起敏捷运动。

另一条路线是端到端：用一个神经网络把原始传感器流和本体感知直接映射到关节指令。这类方法在跑酷赛道上做到了敏捷，但泛化受限、可解释性差：模型把「感知—行动」揉进一张黑箱，换到没见过的地形分布就容易失效。

本文的前作 AME-1（Science Robotics 2025，参考文献 [15]）走的是中间道路：保留显式高程图的模块化结构，但用一个注意力地图编码器把地图特征压成策略嵌入，取得了很好的泛化，代价是敏捷性受限——它编码局部落脚点的方式，本质上像「模型式落脚点评分」，只看局部地形特征与机器人状态，无法表达「整块地形是什么类型、我该用哪种接触模式」。

本文要同时拿到敏捷与泛化，核心主张是两条：其一，地图编码器必须同时具备局部精细接触特征与全局地形上下文，并用全局上下文去调制局部特征；其二，感知侧要有一套快、轻、可微、显式带不确定性的神经建图管线，且在仿真里能并行跑上千环境、到真机上跑同一份代码，从而把 sim-to-real 的感知落差抹平。

预备知识

POMDP 与 PPO。控制问题被写成部分可观测马尔可夫决策过程，用 PPO 在并行仿真（Isaac Gym）里优化。策略 50 Hz 输出关节 PD 目标，硬件上以 400 Hz 跟踪。

特权教师—学生蒸馏。先用「真值地图 + 无噪声本体感知」训练一个特权教师；再让学生策略在神经建图的输入下，同时接受 PPO 的 RL 损失、对教师的动作蒸馏损失、以及两者地图嵌入之间的表征对齐损失。

高程图与注意力地图编码（AME-1）。自我中心高程图把每个地图点写成三维坐标 $(x,y,z)$；AME-1 用 CNN 提局部特征、用本体感知生成查询向量、对局部特征做多头注意力，得到地图嵌入。本文的 AME-2 在此之上加了全局特征。

方法详解

3.1 系统总览

整套系统分教师与学生两级：教师用真值建图在仿真里由 RL 训出来；学生把真值地图换成在线神经建图，在教师的动作蒸馏与表征对齐监督下训练，最终部署到真机。控制器只负责到达位置与朝向目标（goal-reaching），不跟踪速度，这让策略有更大自由度去涌现敏捷动作。

图 1：系统总览（论文 Fig. 2）。上半区：特权教师在仿真里用真值建图训练；下半区：可部署学生用在线神经建图，接受教师监督，输出的关节动作驱动机器人到达位置与朝向目标。

3.2 控制器输入输出与地图表示

本体感知包含基座线速度 $v_b$（仅教师可见）、基座角速度 $\omega_b$、投影重力 $g_b$、关节位置 $q$、关节速度 $\dot{q}$、上一步动作与目标指令 $c$。真值地图把每个自我中心栅格点写成 $(x,y,z)$；神经建图再补一个不确定性通道 $u$，得到四维表示 $(x,y,z,u)$——这正是学生比教师多出来的那一路信息。

3.3 AME-2 编码器：让全局地形上下文去加权局部接触特征

AME-2 是全文的核心。它有两条并行分支再汇聚：

其一，逐点局部特征。地图先经一个 MLP 得到位置嵌入（论文图示维度 16），同时把非坐标通道送入两层 CNN 得到局部嵌入（48 维），两者拼接后再过一个 MLP 融合成 96 维的逐点局部特征 $(\text{点}\times 96)$。

其二，全局地形上下文。逐点局部特征再过一层 MLP 并沿点维做 max pooling，压成 1×64 的全局特征，捕捉整块地形的「类型」。

接着是关键的一步：把全局特征与本体感知嵌入拼接，经 MLP 生成一个 96 维查询向量；以逐点局部特征为键与值做多头注意力（32 头、维度 96），得到「按当前本体状态与全局上下文加权过」的局部特征。最后把全局特征与加权局部特征拼接成地图嵌入，送入动作解码 MLP。

与 AME-1 的差别正在这里：AME-1 的查询只来自本体感知，注意力只在局部落脚点上分配；AME-2 先把「这块地形是稀疏、是爬升还是障碍」的全局判断塞进查询，再让注意力去挑接触区域。作者的解释是：高障碍攀爬可能需要全身接触，障碍避让需要避开某些接触，这些都不是「挑一个最佳落脚点」能表达的，策略必须同时判断「该往哪踩」与「该不该踩、该用哪个部位碰」。

图 2：策略与 AME-2 编码器结构（论文 Fig. 3）。左上为 Actor 总览，中部蓝色框为 AME-2 编码器：位置嵌入 + CNN 局部嵌入 → 逐点局部特征；MLP + max pool → 全局特征；查询由「本体嵌入 ⊕ 全局特征」生成，经 MHA 得到加权局部特征；右侧本体编码器：教师用 MLP，学生用 LSIO 堆叠过去 20 步；底部 Critic 为 MoE。

本体编码器在教师与学生上不同：教师用朴素 MLP 处理无噪声本体感知；学生则把过去 20 步的类型观测量堆叠，用 LSIO（Long-Short I/O）得到时序嵌入，再与指令一起过 MLP。原因是真机上环境不确定、且历史信息对判断机器人状态与环境动力学更关键。

3.4 非对称 Actor-Critic 与教师-学生 RL

Critic 不采用与 Actor 相同的注意力结构——因为 critic 不需要部署，也不必泛化到训练地形之外，而对 $L\times W$ 个局部特征做 MHA 又很贵。于是 critic 用混合专家（MoE）设计，拟合能力强、优化更省算力。注意一个反直觉的对照结论：用「AME-2 策略架构 + MoE critic」能训出泛化的教师，但换成 MoE Actor 却得不到泛化教师（见消融）。

教师训练时 Actor 拿无噪声本体感知与真值地图，Critic 额外拿到各连杆接触状态；接触状态不给 Actor，是为了保持适当的信息落差、避免学生训练受损。左右对称增广只加在 Critic 上。

学生的训练目标是三部分线性组合：PPO 的 RL 损失、对教师的动作蒸馏损失、以及教师与学生地图嵌入之间的表征损失（均方误差）。前几千次迭代会先关掉 PPO 代理损失并配大学习率，让蒸馏先稳住，再引入 RL。

3.5 奖励设计：不奖励落脚点，让全身接触自己涌现

奖励分三类：任务奖励（到达目标）、正则与惩罚项、仿真保真项（惩罚接近极限的关节状态），四足与双足共用同一套。位置跟踪奖励沿用前作形式：

$$r_{\rm position\_tracking}=\frac{1}{1+0.25\,d_{xy}^{2}}\cdot t_{\rm mask}(4)\tag{1}$$

其中 $d_{xy}$ 是机器人到目标点的水平距离，$t_{\rm mask}$ 是随时间收敛的掩码：

$$t_{\rm mask}(T)=\frac{1}{T}\cdot\mathbf{1}(t_{\rm left}<T)\tag{2}$$

朝向跟踪奖励同理，但在接近目标时才生效：

$$r_{\rm heading\_tracking}=\frac{1}{1+d_{\rm yaw}^{2}}\cdot t_{\rm mask}(2)\cdot\mathbf{1}(d_{xy}<0.5)\tag{3}$$

到达后要维持稳定站姿，故有站立奖励，把「未着地脚比例 $d_{\rm foot}$、基座倾斜 $d_{\rm g}$、关节偏离站姿参考的程度 $d_{\rm q}$」与距离一起指数衰减：

$$r_{\rm stand}=\mathbf{1}(d_{xy}<0.5\;\land\;d_{\rm yaw}<0.5)\cdot\exp\left(-\frac{d_{\rm foot}+d_{\rm g}+d_{\rm q}+d_{xy}}{4}\right)\tag{5}$$

正则项里有个关键取舍：本文不像前人那样显式奖励或惩罚足端落脚位置，而是为所有连杆定义惩罚项，从而让全身接触涌现。作为对照，落脚点奖励难以做到地形无关——四足攀爬受益于主动的膝盖接触和贴边落脚，而在稀疏地形上贴边落脚恰恰是要避免的。惩罚事件包括：偏航角速度过快（>2.0 rad/s）、平地起跳、非足接触与其接触切换、横向接触力大于竖向的绊倒、接触中移动的打滑、以及自碰撞。所有权重取整十次幂，且比任务奖励小一到两个数量级，无需大量调参即可训练成功。

3.6 终止条件：用生物力学阈值诱发缓冲行为

早期终止条件包括：姿态崩塌（投影重力分量越界）、基座碰撞力超过整机重量、大腿加速度超阈值、以及 5 秒内移动过少。最有意思的一条是大腿加速度阈值：作者直接取生物力学文献里狗（$60\ \mathrm{m/s^2}$）与人（$100\ \mathrm{m/s^2}$）的数据作为阈值，用来在跳跃落地时抑制冲击。这个看似「工程取巧」的终止条件，直接诱发了第 6 节的真机缓冲行为——ANYmal-D 下高台时用膝盖轻轻触地，TRON1 落地前先收腿再换支撑腿。

3.7 地形与课程

训练地形分三类：密集地形（粗糙地面、上下台阶、箱体、障碍）、攀爬地形（爬出深坑、爬下平台、连续攀爬）、稀疏地形（跳缝、栈板、梅花桩、独木桥）。稀疏地形里一半加真实地板、一半加「虚拟地板」——在感知图里可见但不产生碰撞，用来阻止机器人偷懒走地板。课程方面，粗糙噪声从 ±0 m 增到 ±0.2 m（ANYmal-D），箱体高度从 0.05 m 增到 0.4 m，障碍密度从 0 增到 0.5 个/平方米，坡度从 5° 增到 45°。

泛化靠四个训练时完全没见过的测试地形来检验：测试 1 是随机重叠的梅花桩（检验稀疏泛化）；测试 2 把梅花桩、旋转栈板与高台攀爬拼在一起（组合泛化）；测试 3 要求先绕开一个大障碍、再攀爬、跳缝、避障、爬下（避障 + 敏捷攀爬 + 跳跃的组合泛化）；测试 4 是真实废墟网格，需翻越碎石并避免脚被卡住（真实攀爬泛化）。

图 3：训练与测试地形（论文 Fig. 4）。上：三类原始训练地形；下：四个测试地形，均为训练中未见或为未见组合。

3.8 神经建图管线：从深度点云到带不确定性的高程图

建图管线是全文的第二大贡献。每一帧，深度点云先投影到局部二维高程栅格；若多个点落在同一格，取最大的 $z$ 值（对运动最有意义的一维），空格则赋固定最小值。这样得到的局部高程往往噪声大、遮挡处不完整，于是用一个轻量 CNN 联合预测基座相对高程与不确定性（以 log 方差形式）。这个不确定性同时刻画测量噪声与遮挡，而高程预测本身也能抑制噪声。

随后用里程计把局部预测融合到全局栅格地图 $\mathcal{M}$，它有两层：高程层与不确定性（方差）层。全局地图初始化为机器人站立高度的平地、配一个大不确定性。融合时不用标准贝叶斯融合，因为「对同一遮挡区域的重复观测不应仅因为预测一致就降低不确定性」。作者改用概率胜者全取（Probabilistic Winner-Take-All）：

先算一个有效测量方差，用先验给它下限，防止过度自信：

$$\hat{\sigma}^{2}_{t}=\max\left(\sigma^{2}_{t},\,0.5\cdot\sigma^{2}_{\rm prior}\right)\tag{6}$$

只有有效方差没有显著大于先验时，这次更新才算有效；对有效更新，按相对精度确定覆写概率：

$$p_{\rm win}=\frac{(\hat{\sigma}^{2}_{t})^{-1}}{(\hat{\sigma}^{2}_{t})^{-1}+(\sigma^{2}_{\rm prior})^{-1}}\tag{7}$$

最后随机覆写：采样 $\xi\sim\mathcal{U}[0,1]$，落在阈值内就让新预测接管该格：

$$(h_{\rm new},\sigma^{2}_{\rm new})\leftarrow\begin{cases}(h_{t},\hat{\sigma}^{2}_{t})&\text{if }\xi<p_{\rm win}\\ (h_{\rm prior},\sigma^{2}_{\rm prior})&\text{otherwise}\end{cases}\tag{8}$$

这套策略的好处有四：同一遮挡点的不确定性不会因一致预测而降低；过度自信但与先验不一致的预测无法接管；动态地形出现高置信测量时地图能快速更新；且它容易接进并行仿真、又快到能在硬件上运行。

图 4：神经建图管线（论文 Fig. 5）。深度点云投影到局部栅格，经神经网络得到带不确定性的高程估计，再由里程计融合进全局地图，最后按机器人位姿查询出局部地图作为控制器输入。绿点为高程估计，蓝线为不确定性。

3.9 建图模型训练与网络结构

建图模型用程序化生成的地形 + 随机位姿做光追采样训练，不靠物理仿真。用 Warp 光追在单张 RTX 4090 上可跑到每秒数十万帧的采样速度。训练时施加多种增广：每格随机均匀噪声、从四边随机裁剪、用随机传感器位姿与视场模拟遮挡、随机截断高程范围、随机丢点与离群点——从而合成出「有噪、部分可观测」的输入，标签是原始真值高程。

损失用 $\beta$-NLL（$\beta=0.5$）：

$$L_{0.5}=\mathbb{E}_{X,Y}\left[\mathrm{sg}\!\left[\hat{\sigma}(X)\right]\left(\frac{\log\hat{\sigma}^{2}(X)}{2}+\frac{(Y-\hat{\mu}(X))^{2}}{2\hat{\sigma}^{2}(X)}\right)\right]\tag{9}$$

其中 $\mathrm{sg}[\cdot]$ 为停止梯度算子。相比经典贝叶斯学习的标准 NLL，这个形式抑制了「在难样本上抬高不确定性来偷懒降损失」的倾向，让模型在无法准确预测时输出高不确定性、在能准确预测时输出低不确定性与准确估计。

批次内不同样本的粗糙度差异很大，平地样本会主导损失。于是按全变分（TV）对样本重加权：

$$\mathrm{TV}(Y_{b})=\frac{1}{HW}\left(\|\nabla_{x}Y_{b}\|_{1}+\|\nabla_{y}Y_{b}\|_{1}\right),\qquad w_{b}=\frac{\mathrm{TV}(Y_{b})}{\sum_{b^{\prime}=1}^{B}\mathrm{TV}(Y_{b^{\prime}})+\varepsilon}\tag{10}$$

网络是一个浅层 U-Net，采用门控残差设计：CNN 输出不确定性、原始估计 $h'$ 与门控图 $G$，最终估计为原始输入与网络估计的门控组合 $h=G\odot h'+(1-G)\odot h_{\rm in}$，从而在清晰观测区保住精度、只在有噪或被遮挡处选择性覆写。每个机器人用 5400 万帧训练，每个模型一小时内收敛。ANYmal-D 的局部栅格为 51×31、4 cm 分辨率；TRON1 为 31×31、4 cm 分辨率。

图 5：建图模型结构（论文 Fig. 7）。门控残差 U-Net：输入 $h_{\rm in}$ 经两层 CNN 与池化—上采样跳连，分出不确定性头 log σ²、原始估计头 h′ 与门控头 G，最终 $h=G\odot h'+(1-G)\odot h_{\rm in}$。

3.10 仿真集成与真机部署

在 1000 个并行 ANYmal-D 环境里，建图模型推理低于 0.3 ms、显存约 3 GB（TRON1 约为 60%）；存 1000 张 8 m×8 m 全局地图约 0.3 GB，且地图可随机器人接近边界自动重定中心。深度点云等中间开销每 1000 环境再加约 1.2 GB。真机上，整条建图管线每帧约 5 ms，其中约 2.5 ms 花在 ONNX Runtime 的模型推理，足以跟上深度相机帧率。ANYmal-D 合并两个前视相机的点云，TRON1 只用单个前视相机；里程计在 ANYmal-D 上用 CompSLAM + Graph-MSF，在更轻、加速度更大的 TRON1 上用 DLIO。由于里程计速度估计噪声大且有延迟（20 ms 内 1 cm 漂移即可造成 0.5 m/s 的速度误差），作者直接去掉学生的线速度观测。

3.11 方法流程总览

flowchart TD
  subgraph MAP["神经建图管线 50Hz 仿真与真机同一份代码"]
    DC["深度点云 双前视相机合并"] --> LG["局部高程栅格 51x31 4cm 取每格最大 z"]
    LG --> UN["轻量门控残差 U-Net 预测 高程 与 log 方差"]
    UN --> PW["概率胜者全取融合 方差下限 与 覆写概率"]
    ODO["里程计 CompSLAM+Graph-MSF 或 DLIO"] --> PW
    PW --> GM["全局地图 8m x 8m 高程层 加 方差层"]
    GM --> Q["查询自我中心局部地图 4 通道 x y z u"]
  end
  Q --> AME["AME-2 编码器"]
  P["本体感知 过去20步堆叠"] --> LSIO["LSIO 时序编码器"] --> PE["本体感知嵌入"]
  PE --> AME
  AME --> ME["地图嵌入 全局特征 拼接 加权局部特征"]
  ME --> DEC["动作解码 MLP"]
  DEC --> A["关节 PD 目标 50Hz 由 400Hz 跟踪"]
  PE --> QRY["查询向量 由 本体嵌入 拼接 全局特征 生成"]
  AME --> QRY

图 6：AME-2 训练与部署流程。左侧为神经建图管线（深度点云 → 局部栅格 → U-Net 高程与不确定性 → 概率胜者全取融合 → 全局地图 → 查询局部地图）；右侧为策略侧，本体嵌入与地图嵌入经动作解码器输出关节目标。

3.12 与开源代码的对应

开源仓库虽然以 G1 教师训练为目标，但其 AME-2 编码器与概率胜者全取融合的实现和论文逐行对应。编码器在 rsl_rl/rsl_rl/models/AME2_models.py 的 AME2Model.get_latent() 中，局部特征、全局特征与注意力查询的构造与式（6）—（8）所在的编码器设计完全一致：

# AME2_models.py :: AME2Model.get_latent()
fc_out  = self.fc_part(map_4d)                       # 位置嵌入 (B, L, W, 16)
cnn_out = self.cnn_part(map_4d[..., 2:].permute(0,3,1,2))  # 局部嵌入 (B, 48, L, W)
local_feat = self.local_proj(torch.cat([fc_out, cnn_out], -1)).view(B, L*W, 96)
global_pre_pool = self.global_pool_mlp(local_feat)   # (B, L*W, 64)
global_feat, _  = torch.max(global_pre_pool, dim=1)   # max pool -> (B, 64)
query = self.query_mlp(torch.cat([prop_embedded, global_feat], -1)).unsqueeze(1)
attn_out, _ = mha_math(self.mha, query, local_feat, local_feat)  # K=V=local_feat

这里 fc_part 是 Linear(dmap, 16)、cnn_part 以 Conv2d(dmap-2, ...) 只处理非坐标通道、local_proj 把 16+48 维投到 96 维——与论文 Fig. 3 中「位置嵌入 16 / 局部嵌入 48 / 逐点局部特征 96」的维度一一对应。注意力模块 mha_math（同仓库 rsl_rl/rsl_rl/modules/ame2_modules.py）把 SDPA 固定到 math 内核，注释解释了这是为规避 Blackwell 上 fused kernel 在 head_dim=3、批×头数超 ~1e5 时的反向崩溃——即论文里 96 维、32 头的注意力。

概率胜者全取融合在 ame2/ame2/sensors/neural_mapping_utils.py 的 BatchedGlobalProbWinnerPipeline.step() 里，是式（6）—（8）的逐行实现：

# neural_mapping_utils.py :: BatchedGlobalProbWinnerPipeline.step()
R_eff = torch.maximum(R_meas, self.tau_min * P_prior)            # 式(6) 方差下限
better = (R_eff < P_prior * (1+self.tau_min)) | (R_eff < 0.04)     # 有效性门
prec_eff, prec_prior = 1.0/(R_eff+eps), 1.0/(P_prior+eps)
p_meas = prec_eff / (prec_eff + prec_prior + eps)                # 式(7) 覆写概率
take = torch.rand_like(p_meas) < p_meas                          # 式(8) 随机覆写
M_new = torch.where(take, m_meas, M_prior)
P_new = torch.where(take, R_eff,  P_prior)

tau_min=0.5 正是式（6）里的系数 0.5；有效性门对应论文「有效方差没有显著大于先验才更新」的判据；并且仓库同时给出 LivoxGlobalProbWinnerPipeline——README 里被划掉的「Mid-360 激光建图入环」在代码层面其实已经落地，缺的只是学习型建图网络的权重。

实验结果

4.1 与前作对比

论文把结果与三类前作对比：泛化最强的前作 AME-1 [15]、四足通用敏捷前作（端到端视觉循环策略）[48]、以及双足敏捷前作 [17]。可比指标是上下高台的极限高度。

方法	四足爬升上/下	双足爬升上	双足爬升下	稀疏地形	泛化
AME-1 [15]（泛化 SOTA）	~0.5 m	~0.3 m	~0.3 m	是	无
四足通用敏捷 SOTA [48]	1 m	—	—	是	少样本微调
双足敏捷 SOTA [17]	—	0.5 m（H1）	≥0.5 m（H1）	否	无
本文	1 m	0.48 m（TRON1）/ 0.65 m（H1）	0.88 m（TRON1）/ 1 m（H1）	是	零样本

范式层面的差别同样关键：本文用统一奖励跨四足与双足、用神经建图替换特权地图与经典建图、且训练与部署用同一份建图管线（多数前作是 $\neq$ 的），并且只需 2 段/个策略而非十几个。[48] 的通用学生泛化到未见环境是「少样本微调」，而本文是零样本。由于拿 TRON1 对比体量更大的 H1 可能不公，作者还把方法套到 H1 上补充仿真结果。

图 7：ANYmal-D 控制器零样本通过前作 [32,48] 报告过的最难跑酷与废墟地形（论文 Fig. 8）。论文只在原始地形上训练，却能直接跨越前作需要微调才能下的地形。

4.2 真机跑酷与稀疏地形

在一个既不在控制器训练地形、也不在建图模型训练地形里的跑酷赛道上，ANYmal-D 能以最高 2 m/s 稳定穿越，组合出攀爬与跳跃动作。稀疏地形上，两代机器人各显其能：ANYmal-D 走过 19 cm 宽平衡木、跨两段不固定带缝横梁、走 20 cm 高差的两排踏步石；TRON1 走两块不固定的 19 cm 悬浮方块、横梁接裂缝、以及菱形踏步石——其中多条地形在训练中未见。

图 8：ANYmal-D 与 TRON1 穿越多种稀疏地形（论文 Fig. 10）。含平衡木、悬浮方块、带缝横梁、踏步石等，其中多条为训练中未见。

4.3 双足机动与鲁棒性

为展示全向感知运动，作者命令 TRON1 依次通过 38 cm 高台、一道裂缝、一段楼梯与粗糙地形，各方向动作平滑。鲁棒性方面，机器人能爬上并平衡在一辆没上锁的可倾斜平台小车上；ANYmal-D 还能从不固定的倾斜踏步石上靠膝盖恢复。

图 9：TRON1 通过 38 cm 高台、裂缝、楼梯与粗糙地形（论文 Fig. 11），橙色箭头为大致轨迹，展示全向感知运动能力。

4.4 建图质量

在训练中未见的复杂地形上走过之后，估计出的高程网格能忠实还原台阶、箱体与倾斜面，且把从未被相机覆盖的区域与遮挡区域用高不确定性标出。可视化中网格表示估计高程、细线表示不确定性，红蓝配色只用于增强高度对比。

图 10：ANYmal-D 穿越训练未见地形后得到的建图（论文 Fig. 13）。左列为真实地形，右列为估计高程网格，未覆盖区域被排除着色。

4.5 涌现行为与可解释注意力

由于不再显式奖励落脚点，且用生物力学阈值做终止，控制器自发学到两类全身行为：其一是全身接触——ANYmal-D 主动用膝盖接触来稳定自身、翻越难地形；其二是冲击缓冲——下高台时用膝盖轻轻触地，或落地前收腿吸收冲击。作者认为全身接触对复杂环境下的全身灵巧性会越来越重要，但也提醒现有机器人多为足端接触设计，这类动作会给硬件施压。

图 11：涌现的冲击缓冲行为（论文 Fig. 14）。(a) ANYmal-D 下高台时用膝盖支撑并轻触地面；(b) TRON1 跳下时先伸腿、落地时收腿再换支撑腿。

注意力可视化给了本文「泛化从何而来」的直接线索：局部注意力倾向聚焦在未来接触区，而全局上下文聚焦在一小撮能刻画地形类型的特征点上。这个模式在训练与测试地形上都出现，说明表征可迁移。在训练地形上，注意力随地形类型变化：下楼时局部注意力盯可踩区域、全局关注下一级台阶；避障时局部盯未来落脚、全局高亮障碍与自由空间；攀爬时局部覆盖前脚落点与后膝支撑、全局指示即将攀爬。在测试地形上，这些模式被复用与重组：测试 2 上全局点移向平台顶部、局部注意力从未来落脚转向膝盖支撑。作者也坦承，局部注意力在近平面接触区会变得平滑，因为特征没有用接触标签监督。

图 12：ANYmal-D 控制器的特征模式（论文 Fig. 15）。每格对比局部注意力与全局上下文；红色越亮权重越高。局部注意力给出精细的运动控制模式，全局上下文主要盯住刻画地形类型的稀疏特征点。

4.6 消融与基准

消融全部在 ANYmal-D 仿真里做。教师架构对比：AME-1 与 MoE 两种基线；学生设计对比 7 种。结论是：所有架构在训练地形上都收敛良好；但 MoE 泛化极差，AME-1 在纯稀疏地形（测试 1）尚可、在混合地形（测试 2–4）就吃力，作者归因于 AME-1 的注意力查询只看本体感知、缺全局上下文，而本文教师在所有测试地形上都稳定泛化。

学生侧的关键发现：直接教师监督（动作蒸馏 + 表征对齐）在训练地形已能达标，但没有强泛化；引入 RL 对测试地形很重要，表征损失再带来额外提升；仅用 RL 无教师监督则很难探索出技能。对照「端到端视觉循环学生 [48]」：后者在测试 3（纯障碍跑酷）略好，但在所有含稀疏区域的测试地形上都不如本文——测试 3 上本文的多数失败是把障碍误当成高台去攀爬。此外，去掉不确定性输入的学生表现更差，说明建图不确定性对运动确有用。

建图方法	Dense	Climbing	Sparse	Test1	Test2	Test3	Test4	测试均值
本文	-0.006	-0.108	0.020	0.033	0.227	0.036	-0.111	0.046
本文（仅运动地形训练）	0.020	-0.090	0.081	0.104	0.234	0.087	-0.075	0.088
时序循环模型	-0.162	-0.114	-0.101	0.316	0.135	0.066	-0.176	0.085

表：不同神经建图方法在训练/测试地形上的 $L_{0.5}$ 损失（论文 Table III），越低越好。本文在测试均值上最优（0.046）。

建图侧还做了两组对照：其一，只用运动训练地形训练建图模型——测试误差明显变大，说明额外的可通行与不可通行多样化地形对泛化有用；其二，时序循环建图模型——它需要用策略在环训练、收敛慢约 5 倍，且在测试 1 上损失高达 0.316，作者观察到它「过拟合训练地形、生成意义不明的不确定性图、丢失细节」。

图 13：时序循环模型与本文建图管的定性对比（论文 Fig. 17）。本文在置信处估计准确、在遮挡处赋高不确定性；循环模型的不确定性图意义较弱、细节丢失、在未见地形上更差。

鲁棒性实验进一步显示：在训练随机化范围之外的丢点与伪影下，策略成功率不降反偶有上升（点更少 → 更不确定 → 行为更保守）；关掉前上相机后多数地形仍表现良好，但对需要交互感知的高障碍（测试 2、3）会明显吃力，说明这些行为仍对相机视角敏感。

4.7 关键数字汇总

项目	数值
控制频率 / 关节跟踪	策略 50 Hz；关节 PD 400 Hz
训练迭代 / 并行环境	教师 8 万次、学生 4 万次；4800 环境
训练成本	ANYmal-D ~60 RTX-4090 天（8 卡）；TRON1 ~30 RTX-4090 天（4 卡）
建图模型训练帧数 / 收敛	每机器人 5400 万帧；<1 小时收敛
建图推理	仿真 1000 环境 <0.3 ms、~3 GB；真机整管线 ~5 ms、模型 ~2.5 ms
策略推理（真机）	Intel Core i7-8850H 上约 2 ms
局部栅格	ANYmal-D 51×31、TRON1 31×31，均 4 cm 分辨率
真机极限	跑酷 2 m/s；ANYmal-D 爬 1 m；TRON1 爬 0.88 m、跨 38 cm 高台

局限性

作者自述三条：其一，用的是 2.5-D 高程图，解决不了完整的三维运动，未来可接多层高程图或注意力体素表示；其二，控制器不为严重退化的感知（高草、雪地）设计，可把鲁棒控制器与敏捷通用控制器合成一个场景感知策略；其三，建图模块在高度动态、遮挡严重的环境里会失效，需要显式推理移动物体。

我们的判断：其一，训练成本高（四足 ~60 卡天），而作者也承认注意力在全图上的开销是主要瓶颈，稀疏注意力或许能降几倍算力——但论文只提了方向、没给实测。其二，消融显示端到端视觉策略在纯障碍跑酷（测试 3）上仍略优，且本文学生多数失败发生在「技能切换」处（如先在稀疏区减速再攀爬），零样本泛化的上限并未触及。其三，全身接触虽被证实对敏捷/鲁棒有利，但现有机器人主要按足端接触设计，膝盖与躯干着地会给硬件带来额外应力，论文只点出方向、未给长期耐久数据。其四，泛化靠的是「训练地形覆盖 + 大量随机化」，四个测试地形仍是由同类原始地形组合而成，能否应对分布外完全不同的地形（如柔软可变形地面）尚无证据。

总结与展望

本文给出一条同时兼顾敏捷与泛化的清晰路径：不把感知直接塞进黑箱策略，而是保留一块可解释、可复用、可并行的高程建图；在策略侧让地图编码器同时具备局部接触细节与全局地形上下文，并用后者调制前者；再用一套统一奖励与教师-学生配方，把同一套方法不加改动地用到四足与双足上。它带来的结果是零样本爬 1 m 高台、跑酷 2 m/s，以及自动涌现的膝盖支撑与落地缓冲。工程上最有价值的两个「反直觉细节」值得记住：不给落脚点奖励、只给所有连杆惩罚，反而催生了全身接触；用狗与人的大腿加速度阈值做终止，反而把缓冲行为逼了出来。展望上，作者指向多层高程图与注意力体素、与鲁棒控制器的结合、以及对动态遮挡元素的显式推理。

金句

「策略不仅要判断往哪里踩，还要判断该做哪些接触、该避开哪些接触。」

「对同一遮挡区域的重复观测，不应仅仅因为预测一致就降低它的不确定性。」

「遮挡区域不是用学习到的先验去补全，而是被保留为不确定——一旦可见，新的几何就能依据预测的不确定性被融合进地图。」