架构决定一切：多样性驱动的鲁棒人形 locomotion 中的 sweet spot

在非结构化环境中实现鲁棒的人形 locomotion 需要平衡快速低层稳定与较慢感知决策的架构。我们展示，简单的分层控制架构（LCA）——由以高速运行的 proprioceptive stabilizer 以及紧凑的低速感知策略耦合而成——在即使使用最小感知编码器的情况下，也显著优于单一的端到端设计。通过两阶段训练 curriculum（blind stabilizer 预训练 followed by perceptual fine-tuning），我们证明分层策略在模拟和硬件环境中持续优于单阶段方案。在 Unitree G1 人形机器人上，我们的方法在楼梯和栏杆任务中成功，而单阶段感知策略则失败。这些结果表明，时刻 scales 的架构分离，而非网络规模或复杂度，是实现鲁棒感知条件 locomotion 的关键 enabler。