arXiv cs.AI· Shaoting Zhu, Ziwen Zhuang, Mengjie Zhao, Kun-Ying Lee, Hang Zhao·· 3 天前AI 评分38
Hiking in the Wild：面向人形机器人的可扩展感知跑酷框架
Hiking in the Wild: A Scalable Perceptive Parkour Framework for Humanoids
AI 导读
研究者提出 Hiking in the Wild，一个端到端感知式足式跑酷框架，将深度输入与本体感知直接映射为关节动作，无需外部定位与建图。该框架引入 Terrain Edge Detection 结合 Foot Volume Points 的落脚安全机制，以及 Flat Patch Sampling 策略以缓解奖励黑客问题。
正文 · AI 翻译
摘要：在复杂、非结构化环境中实现稳健的人形机器人运动，需要从反应式本体感知过渡到主动式感知。然而，整合外部感知仍然是一项重大挑战：现有方法往往无法在多样化的非结构化地形上实现高速、稳定的运动。在这项工作中，我们提出了 Hiking in the Wild，一个可扩展的端到端感知式腿式跑酷框架，专为稳健的人形机器人徒步而设计。我们的方法将深度输入和本体感知直接映射为关节动作，而不依赖外部定位与建图。为确保安全性和训练稳定性，我们引入了两个关键机制：一个结合可扩展地形边缘检测与足部体积点的落脚点安全机制，以减少在边缘处发生灾难性滑移；以及一种平坦区域采样策略，通过生成可行的导航目标来缓解奖励黑客问题。在 Unitree G1 人形机器人上的大量实验表明，我们的策略能够以高达 2.5 m/s 的速度稳健穿越复杂地形。
| 评论： | 项目页面：this https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2601.07718 [cs.RO] |
| （或使用 arXiv:2601.07718v2 [cs.RO] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2601.07718 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Shaoting Zhu [查看电子邮件]
[v1]
2026年1月12日星期一 16:50:50 UTC（7,917 KB）
[v2]
2026年10月13日星期二 14:11:21 UTC（9,357 KB）
来源：arXiv cs.AI · arxiv.org