DreamWaQ: 纯本体感知的四足鲁棒行走

核心目标

• 挑战：视觉不可靠: 相机和雷达在烟雾、强光、积雪或高草丛中容易失效。
• 现有方法的局限:
  • 纯本体感知方法容易产生状态估计漂移。
  • 传统的行为克隆限制了性能上限,且难以应对突发干扰
• 核心理念是 "Implicit Terrain Imagination"（隐式地形想象）：虽然我看不到路，但我可以通过脚底的触感和身体的动态，在脑海中“想象”出地形的特征 。

核心创新

• 策略网络的输入中增加线速度这一参数,解决状态漂移的问题;
• 构建CENet网络,估计线速度和环境潜变量编码。
• 使用actor - critic算法训练策略网络。

线速度

• 面对问题：在盲视行走中，机器人仅依赖 本体感知 (Proprioception)（如 IMU 和关节编码器）。虽然 IMU 可以测量加速度，但在长时间运行中，通过积分加速度来推算速度和位置会产生累积误差，这被称为 状态漂移 (Estimation Drift) 。如果没有准确的速度信息，策略网络很难区分“我在稳定行走”和“我在原地打滑”。
• 目标与思路 (Goal): 显式地估计机器人的 身体线速度 (Body Linear Velocity, $v_t$)，并将其作为一项直接输入喂给策略网络。这样做可以消除累积漂移，显著提高策略的鲁棒性。
• 输入 (Input): 由 CENet 网络估算出的线速度向量 $\mathbf{v}_t$
• 过程 (Process): 在策略网络（Actor）的输入层，不仅仅输入关节角度和角速度，还强制拼接了一个由 CENet 实时计算出的线速度向量。
  • 公式参考 Eq. (1) 定义的观测 $o_t$ 结合了 CENet 的输出： $\pi_{\phi}(a_t | o_t, \mathbf{v}_t, z_t)$
• 输出 (Output): 一个包含了自身运动速度认知的状态输入，使得策略网络能输出更抗干扰的动作指令 $a_t$。

CENet

核心目的：联合估计身体状态与环境特征

• 面对问题 (Problem): 传统的做法通常将“状态估计”（我跑多快？）和“环境识别”（地滑不滑？）分开处理。但论文认为这两者是高度耦合的（例如：地滑会导致跑不快），分开估计效率低且不准 。

• 目标与思路 (Goal): 构建一个 上下文辅助估计网络 (CENet)。它是一个共享编码器的多任务网络，利用 自动编码器 (Auto-encoder/VAE) 机制，联合学习 (Jointly Learn) 身体速度和环境潜变量 。

• 输入 (Input):

  • 时序部分观测历史 ($\mathbf{o}_t^H$)：即过去 $H$ 步的本体感知数据（关节信息、IMU数据等。

• 过程 (Process): CENet 包含一个共享编码器和两个分支：

  1. 分支一（显式估计）： 估计身体线速度 $\mathbf{v}_t$。
     • 损失函数： ==$\mathcal{L}_{est} = MSE(\hat{v}_t, v_t)$==，即让估计速度尽可能接近仿真器中的真实速度。
  2. 分支二（隐式想象）： 估计环境潜变量 $\mathbf{z}_t$，并试图重构 下一时刻的观测 ($\mathbf{o}_{t+1}$)。
     • 逻辑： 如果网络能通过 $z_t$ 准确预测下一刻的传感器数据，说明 $z_t$ 已经成功捕获了环境的物理特性（如摩擦、硬度）。
     • 损失函数： 采用 $\beta$-VAE 损失，包含重构损失和 KL 散度损失：
     • ==$\mathcal{L}_{VAE} = MSE(\tilde{o}_{t+1}, o_{t+1}) + \beta D_{KL}(q(z_t|o_t^H) || p(z_t))$==
  • 总优化目标：==$\mathcal{L}_{CE} = \mathcal{L}_{est} + \mathcal{L}_{VAE}$==。

• 输出 (Output):

  1. $\mathbf{v}_t$ (Body Linear Velocity): 显式的速度估计，用于解决漂移。
  2. $\mathbf{z}_t$ (Context Vector): 隐式的环境特征编码，代表了地形的属性（如摩擦系数、地形高度特征）。

Act - Critic 训练方式

核心目的：通过非对称信息差实现隐式地形想象

• 面对问题 (Problem): 机器人是“盲”的（Actor 只有本体感知），但在训练阶段我们需要根据真实地形来判断它走得好不好。如果只用盲视数据训练，机器人很难学会应对复杂地形。
• 目标与思路 (Goal): 采用 非对称 Actor-Critic (Asymmetric Actor-Critic) 架构 。
  • Critic (老师): 拥有“上帝视角”，能看到所有特权信息。
  • Actor (学生): 只能看到传感器数据和 CENet 的估计。
  • 通过 Critic 的指导，强迫 Actor 学会仅凭有限信息推断出最优动作，从而实现 隐式地形想象 (Implicit Terrain Imagination) 。
• 输入 (Input):
  • 策略网络 (Actor/Policy): 输入 非特权信息，即 $o_t$ (本体感知), $v_t$ (CENet估计速度), $z_t$ (CENet估计环境) 。
  • 价值网络 (Critic/Value): 输入 特权信息 ($\mathbf{s}_t$)。
    • 公式参考 ：==$s_t = [o_t, v_t, d_t, h_t]^T$== 。
    • 其中 $h_t$ 是地形高度图（Height map，直接看到周围地形），$d_t$ 是外部干扰力。
• 过程 (Process):
  • 使用 PPO (Proximal Policy Optimization) 算法进行优化。
  • Critic 计算状态价值 $V(s_t)$，评估在当前真实地形下，机器人的状态好坏。
  • Actor 根据 Critic 反馈的优势函数（Advantage）更新参数，以此来学习如何应对它“看不见”但在 Critic 眼中存在的障碍物（如楼梯）。
• 输出 (Output): 一个鲁棒的 策略网络 (Policy Network)。在实机部署（Zero-shot sim-to-real）时，只需要保留这个 Actor 和 CENet，不再需要 Critic 和特权信息，机器人就能在真实世界中像“看见”了地形一样行走 。

与传统老师学生方法对比