EXTREME-PARKOUR项目学习记录

这篇文章尝试从代码实现的角度，系统梳理这个四足极限跑酷项目的整体结构、数据流动、训练过程、奖励函数与域随机化设计。与其把它理解为一个"单纯用深度图控制四足机器人"的项目，不如更准确地说：它是一套先利用仿真特权信息训练强教师策略，再逐步蒸馏到可部署视觉策略的两阶段框架。

项目的主线可以压缩成一句话：训练时，完整的 753 维观测会被拆成多路，分别经过 scan_encoder / priv_encoder / history_encoder / depth_encoder / estimator 等模块，最后被压缩到一个 114 维动作决策输入；部署时，则只保留可感知、可估计的那部分信息，由 depth_actor 输出最终的 12 维动作。

1. 项目总览：从 753 维训练观测到 114 维动作输入

在训练阶段，环境完整观测的拼接顺序是：

obs = proprio(53) + scan(132) + priv_explicit(9) + priv_latent_raw(29) + history(10x53=530) = 753

其中：

• proprio(53)：本体感觉，包括机身角速度、姿态相关量、yaw 误差、速度命令、关节位置、关节速度、上一时刻动作、足端接触等。
• scan(132)：机器人前方地形高度采样，也就是所谓的地形扫描特权信息。
• priv_explicit(9)：显式特权信息。当前代码中这 9 维里真正有信息的主要是前 3 维机身线速度，后 6 维基本是占位。
• priv_latent_raw(29)：隐藏参数真值，包括质量参数、摩擦系数和电机强度等域随机化变量。
• history(10x53)：最近 10 帧本体感觉历史。

虽然训练时观测是 753 维，但 actor 真正决策时并不直接使用全部原始维度，而是将不同来源的信息编码成低维表示，最终拼成：

114 = proprio(53) + terrain_latent(32) + priv_explicit(9) + latent(20)

部署阶段更进一步，不再输入 753 维完整观测，而是直接构造这 114 维输入。

2. 模块关系：每个编码器到底在做什么

整个项目最容易混淆的地方，是不同 encoder 的职责边界。实际上它们分工非常明确。

2.1 scan_encoder：把地形扫描压成低维地形特征

scan_encoder 接收 obs_scan(132)，输出 scan_latent(32)。

它的作用是把高维地形高度采样压缩成策略可用的低维地形表示。这个模块没有显式监督标签，而是作为 actor 的一部分，通过 PPO 端到端学习。换句话说，网络会自动找到"怎样的 32 维地形表示最有利于产生高回报动作"。

2.2 priv_encoder：把隐藏参数真值编码成适应 latent

priv_encoder 接收 priv_latent_raw(29)，输出 priv_latent(20)。

这里的 29 维并不是地形，而是仿真中的隐藏参数真值，包括：

• 质量参数 4 维
• 摩擦系数 1 维
• 电机强度 12 维
• 电机强度 12 维

这个模块也不是监督学习，而是把这些原始隐藏参数编码成策略可用的 20 维低维表示。它一方面通过 PPO 梯度更新，另一方面还会受到 priv_reg_loss 的额外约束。

2.3 history_encoder：用历史本体感觉恢复隐藏信息

history_encoder 接收最近 10 帧 proprio(10x53)，输出 hist_latent(20)。

它学的不是地形，也不是动作，而是试图从历史运动信息中恢复出与 priv_latent 对齐的低维隐藏参数表示。可以把它理解为"部署时用来代替隐藏真值的一条适应分支"。

需要特别强调的是：
history_encoder 的目标不是拟合 priv_latent_raw(29)，而是拟合经过 priv_encoder 压缩后的 priv_latent(20)。

2.4 estimator：从本体感觉预测显式特权信息

estimator 接收 proprio(53)，输出 priv_explicit_est(9)。

它是标准监督学习模块，利用 obs 中环境直接提供的 priv_explicit_gt(9) 作为标签，学习从本体感觉估计显式特权量。

这里有一个实现细节非常重要：虽然写成了 9 维，但当前代码里真正有物理意义的主要是前 3 维线速度，后 6 维基本是零占位。因此从语义上看，这一路本质上更接近"线速度估计器"。

2.5 depth_encoder：从深度图提取视觉地形特征与 yaw

depth_encoder 接收一张 58x87 的深度图和一个被抹去 yaw 相关量的 proprio(53)，输出：

• depth_latent(32)：视觉版地形特征
• pred_yaw(2)：预测出来的 yaw 相关量

它的作用是用深度视觉去替代原本依赖扫描得到的 scan_latent，同时补回被屏蔽掉的 yaw 信息。

2.6 actor 与 depth_actor：同一个主干，两种地形特征来源

actor 是教师策略，depth_actor 是学生策略。二者在结构上并没有本质区别，depth_actor 本身就是 actor 的拷贝。它们的唯一区别在于输入中的 32 维地形特征来自哪里：

• actor 使用 scan_encoder(obs_scan) 得到的 scan_latent
• depth_actor 使用 depth_encoder(depth) 得到的 depth_latent

因此，depth_actor 并不是"多了一个视觉 head 的 actor"，而是同一个 actor 主干，只是地形特征来源从扫描换成了视觉。

3. 数据流动：训练与部署时信息是怎么传的

3.1 第一阶段：Teacher RL

第一阶段的核心目标，是在拥有特权信息的条件下先训练出一个强教师策略。

数据流大致如下：

• obs_scan(132) 经过 scan_encoder 得到 scan_latent(32)
• proprio(53) 经过 estimator 得到 priv_explicit_est(9)
• priv_latent_raw(29) 经过 priv_encoder 得到 priv_latent(20)
• 最近 10 帧 proprio 经过 history_encoder 得到 hist_latent(20)

之后 actor 接收：

proprio(53) + scan_latent(32) + priv_explicit_est(9) + latent(20)

这里最后这个 latent(20) 并不是同时放入 priv_latent 和 hist_latent 两份，而是同一个 20 维槽位在两者之间切换：

• 大多数时候是 priv_latent
• 做 adaptation / DAgger 更新时会切换成 hist_latent

这一点很重要。它说明 actor 不是同时吃两个 20 维适应向量，而是在训练过程中逐步从"依赖真值隐变量"过渡到"依赖历史估计隐变量"。

3.2 第二阶段：Vision Distillation

第二阶段的目标，是用视觉分支取代扫描分支。

具体流程如下：

• 输入一张 58x87 深度图
• 再输入一个被 mask 掉 yaw 相关维度的 proprio(53)
• depth_encoder 输出 depth_latent(32) 和 pred_yaw(2)
• 再把 pred_yaw(2) 回填到被 mask 的 yaw 位置
• 然后构造学生输入：

proprio(53) + depth_latent(32) + priv_explicit_gt(9) + hist_latent(20)

然后把它送进 depth_actor，输出学生动作。

这里有两个非常关键的实现细节：

第一，第二阶段训练时，depth_actor 用的是 priv_explicit_gt，而不是 estimator 的预测值。这意味着第二阶段存在一个轻微的 train-deploy mismatch：训练时学生还在"偷看"显式特权真值，而部署时必须改成 estimator 输出。

第二，代码里虽然保留了"让 depth_latent 直接拟合 scan_latent"的 latent 对齐接口，但在当前主流程里这一项实际上没有启用。真正生效的是：

• depth_actor_loss = || action_teacher_mean - action_student_mean ||
• yaw_loss = || yaw_teacher - yaw_student ||

因此第二阶段本质上做的不是显式 latent 回归，而是：

• 用视觉特征替代扫描特征
• 用行为蒸馏让学生模仿教师动作
• 用 yaw 监督帮助视觉分支恢复方向相关信息

3.3 第三阶段：Deployment / JIT

部署时真正运行的是：

• depth_encoder 提供 depth_latent
• estimator 提供 priv_explicit_est
• history_encoder 提供 hist_latent
• depth_actor 输出最终 12 维动作

所以部署态真正依赖的是：

proprio + depth_latent + priv_explicit_est + hist_latent

这一点非常能体现整个项目的设计思想：训练时充分利用仿真里的特权信息，部署时则尽可能只依赖真实可得的感知和历史状态。

4. 梯度更新：每个模块到底怎么学

4.1 第一阶段：强化学习与辅助监督共同进行

第一阶段并不是单纯的 PPO，而是"PPO 主目标 + 多个辅助学习目标"共同作用。

estimator 是最标准的监督学习模块。它用 proprio(53) 预测 priv_explicit_gt(9)，损失是预测值和真值之间的均方误差。

history_encoder 主要通过单独的 update_dagger() 更新，其目标是让 hist_latent(20) 拟合 priv_latent(20)。这一步从损失形式上看是监督学习，但因为训练样本来自当前策略不断 rollout 出来的新状态，所以代码里采用了 DAgger 这个名字。这里的 DAgger 指 Dataset Aggregation，中文常译为"数据聚合式模仿学习"。它和普通监督学习的区别不在于 loss，而在于训练数据不是固定离线数据，而是随着当前策略不断重新收集和聚合的。

actor / critic / scan_encoder 主要通过 PPO 更新。具体包括：

• 策略截断损失
• 价值函数损失
• 熵正则项

priv_encoder 稍微特殊。它不直接拟合某个真值标签，而是把 priv_latent_raw(29) 编码成策略可用的 priv_latent(20)。它一方面会受到 PPO 梯度更新，另一方面还会受到 priv_reg_loss 的共同塑形。

这里必须把 priv_reg_loss 说清楚，因为这是整个项目里很容易被理解反的地方。
priv_reg_loss 发生在 PPO 的更新过程中，本质上是一个 latent 对齐正则。代码实现时，hist_latent 被 detach() 成常量，梯度只会回到 priv_latent 这一支，也就是说：

• 它不是"把 history_encoder 拉向 priv_encoder"
• 而是"固定 hist_latent，把 priv_latent 往 hist_latent 的方向拉近"

这样做的目的是缩小训练时 privileged 分支和未来部署时 history 分支之间的表示差距，避免 actor 只适应"带真值隐藏参数"的输入分布，而在切换到历史估计 latent 时性能骤降。

4.2 第二阶段：行为蒸馏 + yaw 监督

第二阶段开始时，会先复制教师 actor，初始化出 depth_actor。之后，教师 actor 在这一阶段只是作为固定老师使用：

• 它负责产生教师动作
• 不参与反向传播
• 不更新参数

学生侧则由 depth_actor + depth_encoder 组成。训练目标有两个：

• depth_actor_loss = || action_teacher_mean - action_student_mean ||
• yaw_loss = || yaw_teacher - yaw_student ||

这里的 depth_actor_loss 比较的是 teacher 和 student 的确定性动作输出，而不是 PPO 中从高斯分布里 sample 出来的随机动作。teacher 和 student 看到的是同一时刻、同一环境状态，但两者的地形信息来源不同：

• teacher 用真实扫描特征 scan_latent
• student 用视觉替代特征 depth_latent

这就是典型的行为蒸馏。

最终第二阶段真正被联合更新的是：

• depth_actor
• depth_encoder

而不是教师 actor。

5. 奖励函数：这个项目到底在鼓励什么

从代码实现上看，奖励项虽然很多，但完全可以归纳成四类。

5.1 任务跟踪类奖励

这一类奖励直接决定机器人是否在"完成跑酷任务"。

最核心的两个项是：

• tracking_goal_vel
• tracking_yaw

tracking_goal_vel 鼓励机器人沿着当前目标点方向移动。
tracking_yaw 鼓励机器人让自身朝向对准目标方向。

这两项构成了最直接的任务驱动力：既要朝目标走，也要朝向目标。

5.2 机体稳定类奖励

这一类奖励负责限制身体姿态过于激烈、避免翻车。

主要包括：

• lin_vel_z：惩罚 z 向速度过大，抑制过激跳动
• ang_vel_xy：惩罚滚转和俯仰角速度过大
• orientation：约束身体姿态保持合理

它们的作用是告诉机器人：可以高速跑、可以跳跃，但不能把身体搞成失控状态。

5.3 能耗与动作平滑类奖励

如果没有这类正则，策略很容易学出"能跑但很暴力"的动作模式。

主要包括：

• torques：惩罚扭矩过大
• delta_torques：惩罚相邻时刻扭矩变化过快
• action_rate：惩罚动作变化过快
• dof_acc：惩罚关节加速度过大
• hip_pos、dof_error：鼓励关节不要偏离默认姿态太远

这一类奖励的本质，是让机器人不仅要跑得快，还要跑得像一个真正可控、可执行的机器人。

5.4 跑酷安全与地形交互类奖励

跑酷任务对接触安全要求更高，因此代码里还加入了几项专门和地形交互有关的惩罚。

主要包括：

• collision：惩罚身体不该碰撞的部位发生接触
• feet_stumble：惩罚脚撞到近似垂直障碍
• feet_edge：惩罚脚踩在地形边缘

这些奖励的目标很明确：机器人不仅要过去，而且要"安全地过去"。

如果把整个奖励系统压缩成一句话，它鼓励的是：

• 朝目标方向稳定前进
• 保持合理朝向和姿态
• 用平滑、低代价的动作完成运动
• 避免危险碰撞和错误落脚

6. 域随机化：项目里到底随机了什么

本项目中的域随机化主要可以归纳成四类：动力学参数随机化、外部扰动随机化、执行器随机化和视觉相关随机化。除此之外，代码里还保留了一些可选的鲁棒性增强项，但当前默认配置下没有全部启用。

6.1 动力学参数随机化

这是最核心的一类随机化，主要包括：

• 摩擦系数随机化
• 机体质量随机化
• 质心偏移随机化

摩擦系数随机化让不同环境实例落在不同摩擦条件下，从而提升策略对接触条件变化的适应能力。

机体质量随机化和质心偏移随机化，则用于模拟真实机器人质量建模误差、安装件变化、电池与传感器负载差异等问题。

这三项共同作用的结果，是让策略不要过拟合某一个精确动力学模型。

6.2 外部扰动随机化

项目中启用了随机推搡机制。实现上并不是施加真实的外力脉冲，而是每隔一段时间直接随机修改机器人 base 的水平速度。

虽然这种实现方式比较简化，但目的很明确：让机器人在训练中反复遭遇扰动，并学会从扰动中恢复。对跑酷任务来说，这一点尤其重要，因为真实世界中的落地误差、碰撞反弹和地形细节偏差，都可以近似理解为某种外部扰动。

6.3 执行器随机化

项目还对电机强度做了随机化，范围是 [0.8, 1.2]。在控制实现里，这会影响 PD 控制中的刚度与阻尼通道，相当于让不同环境中的电机"强一点或弱一点"。

这项设计非常合理，因为现实中的执行器性能不可能永远和仿真标称值完全一致。通过训练时引入这一随机化，可以显著降低策略对理想执行器模型的依赖。

6.4 视觉相关随机化

对于视觉学生策略来说，传感器本身也不能过于理想。项目中对相机参数做了轻量级随机化，主要包括：

• 相机俯仰角随机化
• 水平视场角随机化
• 可选的深度噪声

这类随机化的意义在于：现实相机的安装角度、视场和成像噪声都不可能与仿真完全一致。通过在训练中轻微扰动这些参数，可以减少视觉策略对某一套理想相机配置的过拟合。

6.5 尚未默认启用的可选随机化

除了已经启用的项，代码里还保留了：

• 初始状态随机化
• 动作延迟随机化
• 观测噪声
• 地形测量噪声

这些更像是"鲁棒性工具箱"。当前主配置没有全部打开，但从工程角度看，它们为进一步增强 sim-to-real 泛化提供了扩展空间。

7. 这个项目最值得注意的实现细节

最后总结几条最容易混淆、但也最值得读代码时记住的点。

第一，history_encoder 学的不是地形，而是隐藏参数的低维适应表示。

第二，depth_actor 不是一个全新网络，而是教师 actor 的结构拷贝，区别只在于地形特征来源从扫描切换成了视觉。

第三，第二阶段并没有真正启用 scan_latent -> depth_latent 的显式 latent 对齐损失，真正生效的是动作蒸馏和 yaw 监督。

第四，训练与部署之间存在一个小的不一致：第二阶段蒸馏时学生仍然使用 priv_explicit_gt，而部署时则必须使用 priv_explicit_est 。

8. 总结

从代码角度看，这个项目的设计并不是"直接把深度图喂进 actor"这么简单，而是一套很清晰的逐步替换流程：

• 第一阶段先借助仿真特权信息训练强教师策略
• 同时训练 estimator 和 history adaptation 分支
• 第二阶段再用视觉特征去替代扫描特征，用行为蒸馏训练学生策略
• 最终部署时只保留真实可得的信息：proprio + depth + history

这套框架最有价值的地方，在于它非常务实地利用了仿真的优势：第一阶段先利用地形特权信息、显式特权信息和隐式特权信息训练出强教师策略，同时让历史编码器学习如何用历史本体信息去逼近隐式特权表示；第二阶段再用深度图提取的视觉地形特征替代原来的地形扫描特征，并结合本体信息、显式信息和历史信息训练学生策略，最终逼近真实部署条件。

对高动态四足跑酷这种任务来说，这种"先在仿真里把问题学明白，再向现实约束收缩"的思路，往往比一开始就强行追求纯端到端部署输入，更容易做出真正可用的系统。