ParkourFormer：将预测监督与序列建模集成于人类oid跑者 locomotion 中
机器人学
2026-05-27 v2
摘要
人类oid跑者需要在楼梯、缺口、斜坡和障碍物等快速变化的地形上协调全身动力学。现有的强化学习策略大多是反应性的，将观察直接映射为动作，而不显式建模未来身体状态。在需要高度预判的 locomotion 任务中，成功的运动执行高度依赖于对即将到来的接触转换和身体动力学的预期。我们提出了 ParkourFormer，一种基于 Transformer 的序列建模框架，将人类oid跑者 locomotion 重新表述为未来条件下的决策问题。当前机器人状态通过交叉注意力查询历史传感器运动轨迹，而轻量级预测头预测短期未来本体状态。预测的未来状态在监督信号训练后与时间特征融合，以生成动作，使策略能够同时对运动历史和预期的未来动力学进行推理。在包括楼梯、缺口、斜坡、粗糙地形和障碍遍历于内的多样化多地形人类oid跑者基准测试中评估了 ParkourFormer。仿真实验和实际人类oid机器人上的实验表明，ParkourFormer 在高度具有挑战性的地形上实现了 93.85% 的平均遍历成功率，相较于强大的 MLP、基于 MoE 的 MLP 和 vanilla Transformer 基线提升了最高可达 42.73%，同时在所有地形类型上保持单一统一的策略。这些结果表明，显式的未来状态建模显著提高了敏捷全身 locomotion 的鲁棒性和泛化能力。
引用
@article{arxiv.2605.25782,
title = {ParkourFormer: Integrating Predictive Supervision and Sequence Modeling into Parkour Locomotion},
author = {Yanheng Mai and Wenhao Xu and Zirui Huang and Yifei Fu and Shengwei Dong and Xinjue Wang and Kailun Huang and Yanzhe Xie and Renjing Xu},
journal= {arXiv preprint arXiv:2605.25782},
year = {2026}
}