#感知运动 (5)

人形机器人全身感知运动控制系统，仅需深度图像和速度指令即可自主决定行走、平衡、攀爬、跳下或跨越，单策略覆盖开阔地形与障碍物穿越。

虽然强化学习显著推进了人形运动，但感知策略在稀疏落脚点地形和受限环境中仍存在困难。这些场景需要广泛的地形感知和精确的落脚点选择，而传统编码器往往将这两个感知角色纠缠在一起。本文提出全局-局部注意力分解解决此问题。

训练能够以自然步态穿越复杂地形的感知人形运动策略仍是开放挑战，通常需要多阶段训练流程、对抗目标或大量真实世界校准。本文提出PRIOR，一个基于Isaac Lab构建的高效可复现框架，通过参考步态先验实现鲁棒的地形穿越。

对于全尺寸人形机器人，即使在基于强化学习的控制方面取得最新进展，在长楼梯等复杂地形上实现可靠运动仍然具有挑战性。本文提出通过步态自适应和基座下方实时地形重建，解决踏步时机不准和感知盲区问题，使机器人能够在长楼梯上可靠行走。

本文提出 PolygMap，一个基于感知的人形机器人爬楼梯运动规划框架。核心思想是构建实时多边形楼梯地图，使人形机器人在未知空间中精准踩踏可见位置。该方法解决了双足机器人在非平坦地形上行走时需要精确落脚点的关键问题。