Explicit Stair Geometry Conditioning for Robust Humanoid Locomotion
作者: Jianguo Zhang, Wentai Xu, Shusheng Ye, Yuxiang He, Weimin Qi, Qinbo Sun, Ning Ding, Liguang Zhou
分类: cs.RO
发布日期: 2026-05-11
备注: 8 pages, 7 figures, 4 tables
💡 一句话要点
提出显式楼梯几何条件化框架，提升人形机器人楼梯攀爬的鲁棒性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 人形机器人 运动控制 强化学习 几何感知 步态规划 鲁棒性控制
📋 核心要点
- 现有学习型策略多依赖隐式地形特征，难以应对楼梯几何结构变化，且缺乏对步态调整的预判能力。
- 提出显式几何条件化框架，通过提取台阶高度、深度及偏航角等可解释参数，直接引导运动策略生成。
- 实验证明该方法在未知楼梯高度上泛化性更强，并在Unitree G1上实现了连续33级台阶的稳定攀爬。
📝 摘要（中文）
人形机器人楼梯攀爬因几何不连续性、台阶高度变化敏感性及感知不确定性而极具挑战。现有的基于学习的运动策略多依赖隐式地形表示或盲态本体感知反馈，限制了其在不同楼梯几何结构下的泛化能力及步态调整的预判性。本文提出了一种用于鲁棒楼梯攀爬的显式楼梯几何条件化框架。该方法不使用高维潜在特征编码地形，而是提取一组紧凑且可解释的几何参数（包括台阶高度、深度及相对于机器人航向的偏航角）。这些显式参数直接作为基于PPO算法的运动策略的条件输入，使机器人能根据楼梯结构主动调节摆动腿离地高度及步幅特征。仿真实验表明，该方法在超出训练分布的未知楼梯高度上具有更好的泛化性。在Unitree G1人形机器人上的实地测试验证了其在室内外环境下的可靠性，特别是在挑战性户外场景中，机器人成功连续攀爬33级台阶，展现了极高的鲁棒性与实际部署潜力。
🔬 方法详解
问题定义：论文旨在解决人形机器人在复杂楼梯环境下的攀爬鲁棒性问题。现有方法通常将地形信息压缩为高维隐空间特征，导致机器人难以精确感知台阶几何边界，从而在面对高度变化或不连续地形时容易出现步态失稳。
核心思路：引入“显式几何条件化”思想，将复杂的感知数据转化为紧凑、可解释的几何参数（台阶高度、深度、偏航角）。通过将这些参数直接注入策略网络，使机器人能够根据具体的楼梯几何特征主动调整摆动腿轨迹和步幅，实现从“被动适应”到“主动规划”的转变。
技术框架：系统架构基于PPO强化学习框架。感知模块负责从传感器数据中提取几何参数，随后这些参数与机器人的本体感知状态共同输入到策略网络中。策略网络输出关节位置指令，通过低层控制器执行，从而实现对摆动腿离地高度和步态周期的实时调制。
关键创新：摒弃了传统的黑盒隐式特征编码，转而采用显式几何参数作为策略条件。这种设计不仅增强了策略的可解释性，还显著提升了模型对训练分布外（OOD）楼梯几何的泛化能力，使机器人能根据环境结构动态调整运动学参数。
关键设计：关键在于几何参数的提取与条件化注入机制。通过将台阶高度、深度及相对航向角作为策略的输入特征，模型能够学习到不同几何约束下的最优步态映射。此外，通过在仿真中进行大规模随机化训练，增强了策略在真实世界感知噪声下的鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方法在仿真中表现出优异的泛化性能，能够处理超出训练分布的楼梯高度。在真实世界部署中，Unitree G1机器人成功完成了连续33级户外台阶的攀爬任务，且在多种室内外场景下均未出现失败，证明了该方法在实际复杂环境中的高可靠性与部署价值。
🎯 应用场景
该研究主要应用于人形机器人在复杂非结构化环境下的自主移动。其高鲁棒性的楼梯攀爬能力对于家庭服务机器人、工业巡检机器人以及灾难救援机器人具有重要价值，能够显著提升机器人在多层建筑、户外台阶等复杂地形中的通行效率与安全性。
📄 摘要（原文）
Robust humanoid stair climbing remains challenging due to geometric discontinuities, sensitivity to step height variations, and perception uncertainty in real-world environments. Existing learning-based locomotion policies often rely on implicit terrain representations or blind proprioceptive feedback, limiting their ability to generalize across varying stair geometries and to anticipate required gait adjustments. This paper proposes an explicit stair geometry conditioning framework for robust humanoid stair climbing. Instead of encoding terrain as high-dimensional latent features, we extract a compact set of interpretable geometric parameters, including step height, step depth, and current yaw angle relative to the robot heading. These explicit stair parameters directly condition a Proximal Policy Optimization (PPO)-based locomotion policy, enabling proactive modulation of swing-foot clearance and stride characteristics according to stair structure. Simulation experiments demonstrate improved generalization across unseen stair heights beyond the training distribution. Real-world experiments on the Unitree G1 humanoid validate reliable indoor and outdoor stair traversal. In challenging outdoor scenarios, the robot successfully ascends 33 consecutive steps without failure, demonstrating robustness and practical deployability.