野外徒步：面向人形机器人的可扩展感知parkour框架

实现复杂非结构化环境中人形机器人的稳健徒步 hiking 需要从反应性本体感知转向主动感知。然而，集成外源性感知仍是一个重大挑战：基于映射的方法存在状态估计漂移；例如，LiDAR 方法难以处理胸部抖动。现有的端到端方法往往在可扩展性和训练复杂性方面难以克服；具体而言，一些使用虚拟障碍物的先前工作是逐个实现的。在本工作中，我们提出了"野外徒步" (Hiking in the Wild)，一个为稳健人形徒步设计的、可扩展的、端到端的parkour感知框架。为确保安全和训练稳定性，我们引入了两个关键机制：一种结合可扩展 Terrain Edge Detection 与 Foot Volume Points 的鞍点安全机制，以防止边缘发生灾难性滑移；一种 Flat Patch Sampling 策略，通过生成可行的导航目标来缓解奖励作弊。我们的方法利用单阶段强化学习方案，将原始深度输入和本体感知直接映射到关节动作，不依赖外部状态估计。在一组广域人形机器人上进行的大规模现场实验表明，我们的策略使机器人能够以最高达 2.5 m/s 的速度稳健地穿越复杂地形。训练和部署代码已开源，以便在最小硬件修改的情况下在真实机器人上实现可重复的研究和部署。