FCTS: Failure-Guided Curriculum Tree Search Over Generated Terrain for Legged Parkour

📄 arXiv: 2610.22619v1 📥 PDF

作者: Narayanan Palghat Parameswaran, Dong-Ki Kim, Jay Patrikar, Santiago Gutierrez, Harshad Zade, Shayegan Omidshafiei, Harmish Khambhaita

分类: cs.RO

发布日期: 2026-10-15

备注: 9 pages, 5 figures, 4 tables. Under review. Project page with videos: https://narayananpp.github.io/fcts/

💡 一句话要点

提出FCTS以解决四足机器人在复杂地形中的训练问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四足机器人 运动策略 课程学习 地形生成 蒙特卡洛树搜索 失败引导 泛化能力

📋 核心要点

  1. 现有的四足机器人运动策略在复杂地形的泛化能力不足，训练课程设计缺乏针对性，导致性能不佳。
  2. FCTS框架利用局部遍历失败信息，自动生成适合训练的地形，结合蒙特卡洛树搜索探索课程路径。
  3. 在真实建筑工地生成的地形上，FCTS显著提高了成功率，验证了其在真实环境中的有效性和可转移性。

📝 摘要（中文）

四足机器人在经典障碍物上的运动策略表现良好，但其训练课程往往无法涵盖工业和灾后响应场景中的不规则复合几何形状。这些环境带来了严峻的泛化问题，即使直接在目标场地的重建几何上训练，也无法可靠地获得能够穿越这些地形的策略。本文提出FCTS（失败引导课程树搜索），通过局部遍历失败自动生成下一步训练的地形。FCTS在真实世界建筑工地扫描生成的地形上，成功率从28.4%提升至85.8%，在困难课程上从14.9%提升至44.7%，并在极端地形上保持更高的进展。硬件实验验证了FCTS策略在真实环境中的有效性。

🔬 方法详解

问题定义：本文旨在解决四足机器人在复杂地形中训练的泛化能力不足问题。现有方法的痛点在于手工设计的课程无法覆盖多样化的地形，导致训练效果不理想。

核心思路：FCTS框架通过分析局部遍历失败，自动生成下一步训练所需的地形。这种方法使得训练课程能够针对机器人在特定地形上的弱点进行优化。

技术框架：FCTS的整体架构包括失败检测模块、地形生成模块和课程搜索模块。失败检测模块识别机器人在训练中的失败情况，地形生成模块基于这些失败生成新的训练地形，课程搜索模块则使用蒙特卡洛树搜索优化训练路径。

关键创新：FCTS的主要创新在于将失败信息与地形生成结合，形成了一种动态调整训练课程的机制。这与传统的静态课程设计方法形成了鲜明对比。

关键设计：在FCTS中，关键参数包括失败的定位、终止模式、机器人状态及周围地形几何特征。损失函数设计考虑了成功率和训练效率的平衡，以确保生成的地形能够有效提升机器人的运动能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FCTS在真实建筑工地生成的地形上，成功率从28.4%提升至85.8%，在中等难度课程上提升幅度显著，困难课程的成功率也从14.9%提升至44.7%。实验结果表明，FCTS策略在极端地形上保持了更高的进展，验证了其有效性。

🎯 应用场景

该研究具有广泛的应用潜力，特别是在工业自动化、灾后救援和复杂环境中的机器人导航等领域。通过提高四足机器人的适应能力，FCTS能够为实际应用提供更可靠的解决方案，推动机器人技术的进步与普及。

📄 摘要（原文）

Quadruped parkour policies handle canonical obstacles well, but their training curricula often miss the irregular, compound geometry of industrial and disaster-response sites, where agile locomotion matters most. Such environments pose a hard generalization problem: even training directly on reconstructed geometry from the target site does not reliably yield policies that traverse it. Hand-designed curricula span only a few terrain families, and recent LLM-generated curricula offer little control over which policy weaknesses they target. We propose FCTS, a failure-conditioned terrain curriculum framework that uses localized traversal failures to automatically generate the terrains a policy should train on next. Each failure's location, termination mode, robot state, and surrounding terrain geometry condition this generation, and Monte Carlo Tree Search explores alternative curriculum trajectories under a fixed training budget. On terrains built from scanned real-world construction sites, FCTS raises success rate from 28.4% to 85.8% on a medium-difficulty course and from 14.9% to 44.7% on a hard course relative to the strongest parkour or LLM-curriculum baselines, and maintains higher progress on extreme terrains where full traversal is rare. Hardware experiments on a quadruped robot confirm that the learned FCTS policies transfer to the real world.