Light-Loco-Parkour 深度解析：从地形配对参考、多技能蒸馏到自主衔接与深度视觉控制

September 12, 2026·chase

本文目录展开章节导航

Light-Loco-Parkour 研究的是：一个人形机器人怎样从眼前地形判断何时继续行走，何时用手臂、膝盖和躯干越过障碍，再自然地回到行走。 难点不只是学会一次翻越，而是让参考动作适应不同障碍，让多个技能在真实观测下衔接，并最终由一个可部署策略完成控制。

本文同时阅读两份材料：Light Origins 的原论文 v1与 lucidrains/light-loco-parkour。后者是本文分析的本地目录所对应的第三方实现，README 标注 WIP；源码固定在提交 963a6ec，包版本为 0.0.29，核对日期为 2026-09-12。

这个区分决定了怎样理解后面的内容：论文给出完整的人形机器人训练与部署系统；仓库提供神经网络、PPO、蒸馏、奖励和动作先验等组件，以及若干教学／接口测试。它没有附带论文的 IsaacLab 场景、机器人资产、参考增强流水线或可直接部署的权重。文中的论文成功率来自作者报告，CPU 结果则来自本文在固定源码上的独立检查。

想先回答的问题	阅读入口
整套方法为什么要分这么多阶段	训练路线、参考增强
多个专家怎样变成一个策略	单技能学习、多技能与衔接
深度相机看不见脚下时怎么办	深度蒸馏与记忆、时序接口
想读 PyTorch 实现	源码地图、PPO 与奖励分组、蒸馏接口
想核对默认值和实现边界	奖励符号、额外潜变量目标、可运行实验
论文究竟证明了什么	结果与消融、复现还缺什么

同一个示意人形机器人依次接近平台、用双手与膝盖支撑攀爬、在平台上站稳，下方展示深度和本体观测经过一个循环策略输出关节目标 — 图 1：机器人外形、平台与动作姿态均为示意，不是 Lightbot 0 的照片、论文轨迹或动力学验证结果。

1. 先看整条训练路线：每一步去掉一种依赖

理解这篇论文，可以先问：当前阶段的策略还依赖哪些部署时拿不到的东西？ 原始动作专家知道参考轨迹与障碍的精确几何；高度扫描策略逐步摆脱显式参考；最终深度策略还要适应相机遮挡、噪声和延迟。

阶段	主要输入与监督	学到什么	本阶段仍不能替代什么
感知行走	本体信息、高度扫描、速度命令；强化学习奖励	行走、平衡和地形落脚	力量与接触高度协调的全身技能
参考动作增强	人体动作种子、人工配对障碍、物理仿真	不同障碍上的可执行参考	无参考输入的感知策略
单技能学习与泛化	专家动作、学生访问状态、配对地形与参考奖励	根据地形完成某一技能	在一条轨迹中决定何时进入、退出技能
多专家蒸馏	行走与各技能专家提供动作标签	一个网络容纳多个行为	行为之间的可靠衔接
衔接微调	混合地形、任务奖励、阶段条件动作先验	接近、越障、返回行走的连续行为	深度相机的部分可观测问题
深度蒸馏与微调	深度图、本体信息、速度命令；动作监督与扫描重建	可部署的带记忆策略	任意机器人上的直接复用

论文先把“能做什么”学扎实，再让策略学会“什么时候做”，最后处理“在板载传感器条件下怎样做”。这些阶段用到的训练资源很多，但不意味着部署时仍运行同样多的网络。论文 Figure 2、Sections III–VI

上方训练流程利用高度扫描教师和额外监督，下方部署只保留读取板载观测的循环 actor — 图 2：论文训练与部署关系的压缩示意。参考增强、单技能泛化和衔接微调的细节见正文；不是该第三方包已实现的完整训练器。

最终控制链可以写成：

depth + proprioception + velocity command
                ↓
       encoding + recurrent memory
                ↓
           joint targets
                ↓
          PD control + robot
                ↓
          next observation

论文报告的策略控制频率是 50 Hz，动作是由 PD 控制器跟踪的关节位置目标。这里的 50 Hz 是部署策略的控制周期，不是相机帧率、低层电机环频率，也不能仅凭它推出单次神经网络前向耗时恰好为 20 ms。

2. 为什么需要教师、学生和不对称 critic

2.1 这是部分可观测控制问题

令机器人真实状态为 $s_t$ ，可获得观测为 $o_t$ ，历史为 $o_{\le t}$ 。策略需要根据观测与记忆选择动作：

h_t=\operatorname{GRU}(e_t,h_{t-1}),\qquad \pi_\theta(a_t\mid e_t,h_t),

其中 $e_t$ 来自本体信息、地形感知与速度命令的编码。机器人是否已经把重量移到手上、相机刚才看见的平台边缘在哪里，都不一定能由当前单帧深度恢复。

论文的高度扫描教师使用 MLP，并堆叠最近 5 帧提供短期历史；最终深度学生使用循环记忆。作者还比较过卷积与全连接地图编码器，在该设置下卷积没有带来可测量收益，因而采用 MLP。不能看到输入是深度图，就自动把它描述成 CNN 或视觉 Transformer。论文 Section IV-A

2.2 教师越“全知”，未必越容易蒸馏

训练时可以从模拟器得到精确地形、接触状态和动力学信息，但学生部署时拿不到全部真值。因此应区分两个角色：

网络	训练时的任务	信息设计原则
Actor	根据自身观测选择动作	尽量使用学生能够观测或从历史推断的信息
Critic	为训练估计回报与优势	可以读取更多模拟器真值，提高价值估计质量

不对称 actor–critic 不是把所有特权信息都塞给 actor。假如同一学生观测对应两个教师动作 $+1$ 与 $-1$ ，且学生历史也无法区分两种状态，单纯最小化均方误差只会倾向于条件均值 0。更强的教师不能消除学生信息不足造成的歧义；需要改善可推断性、记忆或监督设计。

原论文从学生的信息条件反推教师 actor 的输入设计，并将额外真值更多地交给 critic。学生不能直接读取底座线速度等量时，循环网络需要从深度与本体历史中推断它们。高度扫描和深度图也不是同一张图换个名字：前者可提供较宽的局部地形覆盖，后者受到视野与自遮挡限制。论文 Sections IV-A、IV-B、VI

2.3 不要把动作维数当成控制接口

源码 Actor 默认 num_actions=21，与论文平台的 21 个驱动自由度相呼应。但代码只负责产生数值或概率分布；它没有规定第几个输出对应哪台电机，也没有实现关节顺序、零位偏置、目标缩放或 PD 增益映射。

换机器人时至少要同时对应关节顺序、单位、目标定义与控制时钟。这个原则与 X-VLA 的动作接口分析一致：形状匹配是必要检查，控制含义匹配才决定机器人收到什么命令。

3. 感知行走：奖励怎样鼓励机器人真正跨出去

3.1 速度跟踪与“敢于前进”解决不同问题

论文使用高斯核奖励跟踪平面速度与偏航角速度：

r_{vel}=\exp\left(-\frac{\|v-v_{cmd}\|^2}{\sigma^2}\right).

如果困难地形上的失败代价较高，仅靠精确速度跟踪，策略可能选择停在障碍前。论文额外加入速度松弛奖励，让机器人在命令附近的一段速度范围内获得奖励，以便减速攀爬而不必始终严格追踪瞬时速度。

固定源码计算的是“当前前向速度 / 命令前向速度”，检查其是否落在 [0.3, 1.5]，并对很小的命令幅值加门控。默认允许反向命令：例如命令为 −1、当前速度为 −0.6，比例是 0.6，属于沿命令方向移动；命令为 +1、当前速度为 −0.6，则不会得到这个奖励。

论文 Eq. (3) 附近对带上标与不带上标速度的文字定义，与前面的记号习惯有所变化。阅读时应以“哪个量是当前速度、哪个量是命令”为准；本文直接使用源码字段名，避免只按上标猜测比例方向。reward_velocity_slack

3.2 非法落脚惩罚看的是接触脚下的支撑几何

对每只已接触的脚，向下发射 $K$ 条高度射线。若脚高度与某条射线命中高度之差大于阈值 $\delta$ ，说明该位置可能悬在孔洞或边缘上：

p_{foot}=\sum_i c_i\frac1K\sum_{k=1}^{K} \mathbf1[z_i^{foot}-z_{ik}^{hit}>\delta].

$c_i$ 表示脚是否处于接触状态。论文和源码的默认阈值为 0.1 m。若某只接触脚的 4 条射线中有 1 条越过阈值，它贡献 0.25；未接触的摆动脚不会因为正好位于空中而得到同一项落脚惩罚。

这个量衡量支撑区域的风险，不是地图重建误差。脚部射线在训练奖励和特权信息中有用途，并不意味着部署时机器人额外安装了脚底激光扫描仪。论文 Eq. (4)、Figure 3

3.3 脚部加速度项是有记忆的累积量

设每只脚的加速度为 $a_i$ ，阈值为 $\bar a$ ，先计算超出部分：

e_t=\sum_i\max(\|a_i\|-\bar a,0),\qquad \widetilde e_t=\alpha\widetilde e_{t-1}+e_t, \quad \alpha=e^{-\Delta t/\tau}.

默认 $\bar a=30\,\mathrm{m/s^2}$ 、 $\Delta t=0.02$ s、 $\tau=0.06$ s，因此 $\alpha\approx0.7165$ 。若第一步只有一只脚的加速度为 50，之后都低于阈值，累积量依次约为 20、14.3306、10.2683。一次冲击会在后续几步持续产生影响。

一次脚部加速度超限后，累积量在多个控制周期内指数衰减；标注源码默认正号与论文负号的奖励差异 — 图 3：根据正文递推式计算的数值。纵轴是非负的超限累积量，不是已经乘权重的总奖励，也不是实机加速度测量。

这里没有在新输入前乘上 $(1-\alpha)$ ，所以它不是保持输入幅值的标准指数滑动平均。持续输入同样的超限量 $e$ 时，稳态为 $e/(1-\alpha)$ ，不是 $e$ 。

固定仓库的默认符号需要额外处理。 论文 Table I 给脚部加速度项的权重是 −0.01；源码 FootAccelerationPenalty 返回非负累积量，但 default_stateful_reward_fns() 配置的是 +0.01，RewardShapingWrapper 随后直接加权求和。因此，上面的第一步在默认实现中贡献约 +0.2，而按论文惩罚方向应为 −0.2。源码默认值

若自己的实验希望采用论文方向，可以显式配置，而不是只根据类名中的 Penalty 判断符号：

from light_loco_parkour import (
    FootAccelerationPenalty, RewardHyperParams, RewardShapingWrapper,
)

rewards = RewardShapingWrapper(
    reward_hparams=RewardHyperParams(),
    stateful_reward_fns=((FootAccelerationPenalty(), -0.01),),
)

本文没有改动被分析的第三方仓库；源码检查结果保留了默认正号的实际输出。奖励配置改变属于训练方案改变，应记录在自己的实验中。

3.4 奖励函数需要上游提供正确的物理量

State 是一组张量字段，不是模拟器适配器。例如 contact_forces 要先按所需部位选取并形成接触强度；函数本身不会从全部连杆的三维力向量中识别“非脚部接触”。joint_limit_flags 也要求调用方先判断关节是否接近限位且仍向限位移动。

不少奖励函数按 b ... -> b 求和，预期每次调用代表一批环境的一个控制步。直接传入 [B,T,...] 可能把时间维也累计掉。脚部加速度滤波还保存跨调用状态，应在对应 episode 结束时清除；当前 reset_() 是整体重置，没有逐环境 reset mask 的接口。

这些约定会改变实际奖励，不能靠把所有张量拼进 State 就自动满足论文定义。

3.5 换控制频率会改变累积量的幅值

$\tau$ 决定历史在物理时间上衰减多快，但不单独决定这个累积量的幅值。若保持 $\tau=0.06$ s、每步超限量 $e=20$ ，只改变递推式中的控制周期，稳态分别为：

控制频率	每步 $\alpha$	稳态 $e/(1-\alpha)$
50 Hz	约 0.7165	约 70.5545
100 Hz	约 0.8465	约 130.2776

两种设置下，一次相同初始冲击经过 60 ms 都衰减到原来的 $\exp(-1)$ ；持续超限的稳态幅值却相差约 1.8465 倍。原因是更密集地加入同样大小的 $e$ ，而递推式没有乘上步长或 $(1-\alpha)$ 。这些是 parkour_lab.py 验证的数学结果，不是改变真实机器人频率后的实测。

因此，改变控制周期时，仅重新计算 $\alpha$ 不能保证奖励尺度不变；甚至只改频率、仍把 hparams.dt 留在 0.02，会连物理衰减时间也改变。若设计新奖励，可明确选择累积量、时间积分或保持常量输入幅值的平滑量，并相应调整权重；若复现固定实现，则应保留其定义，记录控制周期。两种目标不宜通过静默更换公式混在一起。

4. 参考增强：为什么不能把人体轨迹直接抬高

4.1 动作必须与障碍配对

人体视频可以提供动作形态，但翻越是否可执行取决于身体在哪里接触障碍。论文先用 GVHMR 恢复人体运动，再用 GMR 重定向到机器人，并根据手、脚等接触位置人工放置虚拟障碍，形成一个粗糙的“动作—地形”种子。

这个种子通常仍有问题：手可能穿进平台，膝盖可能碰到前缘，机器人动力学也不同于人。把动作各关节逐帧重放，不能保证接触约束、力矩和惯性都可行。

4.2 用物理 rollout 修正参考，再逐步扩展

论文的 Object-Interaction Mimic 在跟踪中增加场景约束：关注全局根位置与目标接触部位的位置，并向专家提供障碍距离和尺寸。参考状态初始化（RSI）会从参考动作的不同阶段启动 episode，使策略能够探索腾空、支撑和推起等关键中间状态。

随后进行迭代自增强：

在当前动作与地形配对 $(r_i,d_i)$ 上训练跟踪策略。
在物理模拟中执行多个 rollout，选择较好的轨迹 $\widehat r_i$ 。
以这条实际 rollout 作为下一轮参考基础。
将参考和对应障碍共同提高约 5–10 cm，继续下一轮训练。
保存各轮地形与对应参考，形成后续技能泛化的数据集。

关键不是对一段静态关节轨迹反复加高度，而是每轮都让策略在物理环境中重新解决接触，再把解决结果用作新的参考。轨迹可以逐渐偏离最初的人体姿态，却更适合机器人的动力学与障碍几何。论文 Section V-A、Algorithm 1

论文称这些 rollout 参考在模拟器及执行器约束下具有动力学可行性。这个条件不应扩展成真实硬件的无条件保证：模型误差、接触参数和传感器条件仍需通过后面的随机化、学生训练与实机验证处理。

4.3 保存的单位应是动作与地形这一对

后续随机到某个障碍高度时，应读取对应参考，而不是对所有高度仍使用同一条关节轨迹。否则，模仿奖励可能奖励一个脚放不到台面的动作，而任务奖励又要求完成越障，两者会互相冲突。

固定 lucidrains 仓库没有实现这条视频重建、重定向、参考评分与地形递进流水线。它提供的奖励和蒸馏组件可以参与后续训练，但不能仅靠调用 LightLocoParkour(...) 生成论文的参考数据。

5. 单技能学习：DAgger 与 PPO 为什么同时存在

5.1 从最困难的专家开始蒸馏

参考增强阶段会得到不同地形上的跟踪专家。论文为每项技能选取最困难的专家，再把它蒸馏到与感知行走一致的观测接口：本体信息、局部高度扫描和速度命令。

这时，学生不再把整段参考轨迹作为部署输入。它需要从地形判断当前应该怎样运动，而不是读取“参考第几帧”。参考仍可以参与训练奖励或初始化，从观测中移除参考，不等于训练时完全不用参考。

5.2 DAgger 的关键是学生访问到的状态

行为克隆常在预先采集的专家轨迹上训练。DAgger（Dataset Aggregation，数据集聚合）则让学生进入环境，对学生实际访问到的状态调用专家提供标签：

\mathcal L_{DAgger}= \mathbb E_{s\sim d_{\pi_S}} \left[\|\pi_E(o_E(s))-\pi_S(o_S(s))\|^2\right].

$o_E$ 与 $o_S$ 可以包含不同信息，但必须来自同一时刻、同一个物理状态。不能用学生摔偏之后的观测，去匹配专家原始录像中相同帧号的动作；那是另一种监督关系。

仅做动作模仿仍可能产生恢复能力不足的学生。论文在这一阶段加入 PPO，用任务、目标与参考奖励提供环境反馈：

\mathcal L=\mathcal L_{DAgger}+\lambda_{RL}\mathcal L_{PPO}.

教师标签告诉学生在这个状态“专家会怎么做”，环境奖励则帮助它在已经偏离理想状态时继续解决任务。论文 Eqs. (7)–(8)、Section V-B1

5.3 泛化阶段去掉专家，但保留配对参考

学生先学会最困难专家对应的技能，随后在增强得到的障碍范围内继续强化学习。这个阶段不再依赖专家动作标签，却仍使用与当前地形配对的参考奖励，并增加越过障碍后的目标奖励。

论文还调整初始化：关闭随机参考帧初始化，从动作起点附近开始，并用感知行走策略的关节姿态初始化身体。这样，技能面对的起始状态更接近后面真实的“行走 → 技能”交接，而不只是参考轨迹中某个理想中间姿态。论文 Section V-B2

因此，“训练一项技能”“让它适应地形变化”“让它从行走状态自然启动”是不同的训练问题。增加专家数或训练步数，不会自动替代这些分布变化。

6. 多技能统一：一个网络会多个动作，为什么还不会衔接

6.1 多专家蒸馏只解决能力合并

论文把并行环境划分为行走组与各个技能组，每个组由对应专家给出动作标签。统一学生通过 DAgger 学习这些行为；这一轮多专家合并使用动作模仿，不加入 PPO。

学生 actor 不接收技能标签，它必须根据感知和命令给出适当动作。critic 则可以接收训练组的 one-hot，帮助解释不同任务的奖励。训练器知道哪位专家负责当前样本，与部署 actor 需要技能编号，是两回事。

但如果每次 rollout 只出现完整行走，或者只出现一个已经启动的翻越，学生没有学过前者怎样进入后者。把两类训练数据混合，并不自动覆盖衔接状态。论文 Section V-C1

6.2 单独加入衔接组，保留原技能作为约束

论文新增包含接近地形、障碍技能区和越障后区域的 transition group。这个组不再有贯穿整段的逐帧参考，而是通过强化学习优化速度跟踪、目标到达、目标接近和动作先验奖励。

原行走组与各技能组仍参与训练，维持已经学到的能力；新增衔接组让策略探索如何在这些能力之间转换。初始化还覆盖障碍前、技能区和障碍后，使“成功到达后方”的奖励有机会被采到，而不是完全依赖尚不会越障的策略偶然发现它。

这是一种训练分布设计：让策略在真正需要切换的状态附近获得经验，同时避免它为新目标丢失旧技能。

6.3 阶段条件 AMP 是训练奖励，不是部署状态机

AMP（Adversarial Motion Priors，对抗运动先验）使用判别器判断当前运动是否接近参考行为。令判别器 logit 为 $\ell_\phi(z)$ ，概率为 $D_\phi(z)=\sigma(\ell_\phi(z))$ ，则：

r_{AMP}(z)=-\log(1-D_\phi(z)) =\operatorname{softplus}(\ell_\phi(z)).

论文中 $z$ 表示运动状态转移。衔接训练时，障碍触发位置之前使用行走先验，之后使用对应技能先验。它改变的是策略获得的训练奖励，促使策略在适当区域产生合适运动；最终 actor 仍根据自身观测输出动作。

因此，论文同时使用“训练先验按阶段切换”和“部署不使用手写技能切换器”并不矛盾。前者是教师信号的组织方式，后者是部署控制图的性质。若把 PhaseConditionalMotionPrior 直接当成线上技能调度器，便改变了原来的系统。论文 Eq. (12)、Figure 6

固定源码提供两种先验权重。硬选择以严格大于触发位置计数；恰好位于触发位置时仍属于前一阶段。平滑模式使用累计 sigmoid：

s_j(x)=\sigma(\beta(x-p_j)),\qquad w_0=1-s_0,\quad w_j=s_{j-1}-s_j,\quad w_K=s_{K-1}.

触发位置有序且 $\beta>0$ 时，各权重非负且和为 1。代码里的 handoff_temperature 对应这里的乘数 $\beta$ ，数值越大切换越陡；它更接近通常所说的逆温度。phase_weights

三个训练先验的平滑权重随位置变化，在触发位置一和二附近交接并保持总和为一 — 图 4：固定源码平滑权重公式的教学曲线，触发位置为 1、2，逆温度乘数为 4。它展示奖励权重，不表示线上切换三个 actor。

平滑混合是这个实现提供的选项，不应当作原论文必然使用的配置。还有三个具体接口要注意：

没有提供实际位置或显式 phase 时，reward() 会生成等间距的假想位置。它适合构造数组示例，不能代表机器人真实穿过障碍的进度。
触发位置的顺序没有自动校验；将 (1, 2) 写成 (2, 1)，平滑模式可能产生负权重，即使权重总和仍然为 1。
给构造器一个 MotionPrior 对象，会在各阶段复用同一对象、共享参数；不会自动复制出独立的行走与技能判别器。

6.4 AMP 必须进入能影响策略的学习路径

在通常的 PPO 流程中，先验分数作为环境奖励的一部分，参与回报、GAE 和策略损失。判别器则另外通过参考运动与策略运动进行训练。

固定仓库的 test_full_pipeline_e2e 构造随机张量，计算 amp_reward.detach()，再把它从最终策略损失中减去。这个减去的标量没有梯度，而且该测试并未将 AMP 分数加入先前的 GAE 回报，所以这一行不会使 actor 学到先验运动。它能检查组件是否能共同执行，但不能说明动作先验已改善闭环行为。测试中的奖励与反向传播

一个最小例子是 $L(p)=p^2-0.01\operatorname{stopgrad}(3p)$ ：在 $p=2$ 时，梯度仍为 4，与完全去掉第二项相同。detach 本身并没有错；PPO 通常也不对环境奖励直接求导。关键是这个分数是否已经进入优势估计，而不是在打印出来的 loss 中有没有出现它。

6.5 价值 critic 与动作判别器承担不同任务

PPO critic 估计未来回报，用来构造优势；AMP discriminator 区分参考运动与策略运动，用来提供风格奖励。固定 MotionPrior.discriminator_loss 将两类样本拼接，计算平均二元交叉熵，并默认加入权重为 10、以零梯度为中心的输入梯度正则。其正则覆盖拼接后的样本，具体定义应按源码读取。

判别器输出的是 logit，reward() 才将它变为 softplus 分数。logit 为 0 时奖励是 $\log2$ ；正 logit 增大时奖励继续增长，因此它不是范围固定在 0 到 1 的成功概率。调用方还要把真实／生成运动编码成一致的转移特征，并决定如何与任务奖励组合。MotionPrior

7. 从高度扫描到深度：记忆为什么不可缺少

7.1 感知变化比“换一个输入编码器”更大

高度扫描可以覆盖附近地形，而胸前相机的视野随躯干运动变化。机器人前倾越障时，平台表面可能离开视野；落脚点也可能在脚真正接触前就被身体遮住。

深度学生需要同时恢复部分不可测状态和保留刚刚看到的地形。论文使用 GRU，并增加从内部表示重建教师高度扫描的辅助损失：

\mathcal L_{recon}=\|D_\psi(h_t)-s_t^{scan}\|^2.

这个解码器帮助训练记忆保存与地形有关的信息，部署时可以移除。它不是要求硬件实时获得教师扫描，也不意味着部署时必须显式建立一张高度地图。论文 Section VI、Eq. (13)

7.2 训练必须见过相机噪声和陈旧帧

原论文对模拟深度施加按距离增长的高斯噪声，标准差为 $0.005+0.02d$ ，其中 $d$ 以米计；还包括 ±5% 深度尺度扰动和持续数帧的块状缺失。

时间上，作者模拟约 27–33 Hz 的相机帧率与 30–60 ms 的处理延迟，而策略在 50 Hz 下运行。于是一次相机处理延迟相当于约 1.5–3 个策略周期，且策略可能在相邻周期重复使用同一深度帧。

GRU 可以利用历史改善控制，但不会让图像自动变成当前时刻的观测。复现时仍应记录采集、处理和动作生效时间。这里与 RTC 的端到端时间分析有关，但 Light-Loco-Parkour 不是直接输出 RTC 式长动作块的同一种接口，不能把两者的调度公式直接互换。

7.3 为什么蒸馏后还要微调

教师在高度扫描下给出的动作，未必总能由带延迟和遮挡的深度学生准确推断。动作模仿可以得到可用策略，最终的强化学习微调则在学生实际的观测条件下优化任务完成。

论文的消融也显示，记忆并不能完全消除信息缺口：最高的 75 cm 攀爬设置中，教师仍有很高的报告成功率，深度学生却明显下降。后面的结果表会把这个差距与较容易的设置一起列出，避免只挑选接近满分的任务。

8. 源码地图：从输入张量走到损失

固定仓库的主要组件集中在一个约 1,600 行的 Python 文件中。建议按数据流阅读，而不是从最外层类名猜测它实现了整套训练。

组件	实际职责	没有自动完成的部分
`StateEncoder`	展平、堆帧、MLP，可选 FiLM 与 GRU	相机采集、图像校准、跨调用原始帧缓存
`Actor`	状态特征到动作分布参数、采样或均值	关节语义、硬件通信与低层 PD
`Critic`	单头／多头价值预测与价值损失	任务分组、回报采集与终止标注
`Agent`	输入路由、GAE、优势与 PPO 损失	rollout buffer、优化器、训练循环
`DistillationWrapper`	学生与教师动作均值 MSE，可选特权重建	DAgger 数据采集、多专家调度
`RewardShapingWrapper`	奖励项及其权重的组合	从模拟器构造正确的物理状态
`MotionPrior` / `PhaseConditionalMotionPrior`	判别器奖励、损失与阶段权重	参考转移数据、真实位置与策略奖励接线
`LightLocoParkour`	当前仅保存传入的 `agent`	没有完整训练方法或 `forward`

源码中的 Agent 可以给 actor 与 critic 选择不同字段。例如学生读取 ('proprio', 'depth')，critic 读取 ('proprio', 'scan')。字段路由提供了实现不对称观测的能力，但具体选择和维数仍由调用方指定。核心实现

8.1 一个具体的形状例子

取本文构造的配置： $B=2$ 、 $T=8$ 、观测展平后 $D=9$ 、堆帧数 $F=5$ 、隐藏维度 $h=32$ 、动作数 $A=3$ 。这些是教学参数，不是论文的实际深度分辨率。

原始观测                  [2, 8, 9]
左侧补零后堆 5 帧         [2, 8, 45]
MLP 编码                  [2, 8, 32]
可选 GRU                  [2, 8, 32]
动作 MLP + 参数头         [2, 8, 3, 2]
Gaussian / Beta 均值      [2, 8, 3]
联合动作 log probability  [2, 8]

最后的 2 表示每个动作维度的分布参数，不是预测了两个未来动作。默认启用分布模块后，普通 actor(...) 返回的是分布对象与循环状态；要得到均值动作，应使用 deterministic=True，要采样并保存 PPO 所需概率，则使用 sample_action=True, return_log_prob=True。

8.2 三种“组”不能混用

num_skill_groups 决定网络是否拼接 one-hot 条件；num_value_heads 决定 critic 有多少价值输出头；RewardShapingWrapper 的 reward groups 决定产生多少奖励流。三者控制不同事情。

论文让统一 actor 不读取技能标签，可以将 actor 的 num_skill_groups 保持为 1，而 critic 根据需要配置训练组条件。若 actor 设成多技能 one-hot 输入维数，却又不传 skill_groups，代码不会替你从深度中补出那个 one-hot，反而会出现输入维数不匹配。

类似地，多价值头应与分组回报的最后一维对齐。增加几个 critic 头不会自动把一个总奖励拆成独立的速度、接触和姿态奖励。

8.3 Gaussian 与 Beta 的两个输出参数含义不同

Gaussian 默认将第一项作为均值，第二项作为 log standard deviation，经截断和正值变换得到标准差。高斯分布本身无界；它不会因为动作最终交给关节位置控制器，就自动具有机器人的关节范围。

Beta 则由独立依赖 mean-conc-beta 提供。本文安装的 0.0.8 版本先用 tanh 将均值映射到默认动作区间 $(-1,1)$ ，再构造单位区间上的 Beta 分布。令 $u=(\mu+1)/2$ ，浓度为 $\kappa$ ，则基础分布参数为 $\alpha=u\kappa,\beta=(1-u)\kappa$ ，最后将样本 $x$ 变为动作 $a=2x-1$ 。

该依赖还加入保持单峰的浓度下界。默认原始输出为两个零时，动作均值是 0，初始浓度 10 加上单峰修正后为 12，因此基础分布是 $\operatorname{Beta}(6,6)$ ，不是均匀分布。这个值已在源码探针中实际检查；它依赖所安装的外部包版本，不只是本仓库的 Git 提交。

区间变换还影响密度： $\log p_A(a)=\log p_X((a+1)/2)-\log2$ ，微分熵相应增加 $\log2$ 。因此应使用分布提供的 log_prob 和 entropy 接口，不要将单位区间上的密度直接用于变换后的动作。映射到机器人关节范围时，也要明确变换发生在策略概率空间还是环境适配层。

9. PPO 与分组优势：每个数字来自哪里

9.1 `calc_gae` 返回的是价值目标

固定实现先计算 TD 残差，再通过反向扫描累积：

\delta_t=r_t+\gamma m_tV_{t+1}-V_t, \qquad A_t=\delta_t+\gamma\lambda m_tA_{t+1}, \qquad R_t=A_t+V_t.

这里 $m_t$ 是是否继续 bootstrap／跨步传播的 mask。calc_gae 最终返回 $R_t$ ，不是 $A_t$ 。函数接受 $T$ 或 $T+1$ 个价值估计；如果只给 $T$ 个，就在末尾补零，不能因此声称已经计算了正确的非终止 bootstrap。calc_gae

例如 $r=[1,2]$ 、 $V=[0.5,0.4,0.3]$ 、 $m=[1,0]$ ，取 $\gamma=0.9,\lambda=0.8$ ，得到：

TD residuals  = [0.86, 1.6]
advantages    = [2.012, 1.6]
value targets = [2.512, 2.0]

最后一步是终止，所以传入的 0.3 不会参与 bootstrap。若它只是时间上限，应该按所用环境协议保留终点价值贡献，同时阻断向下一个 episode 传播；这需要数据采集层区分真正终止与截断。

9.2 先分别标准化，再按组组合

分组价值头分别估计各奖励流的 $R_t^{(g)}$ 。代码对每组优势在有效的 batch 和时间位置上做标准化，再加权相加：

\widetilde A_t=\sum_g w_g \frac{A_t^{(g)}-\mu_g}{\sqrt{\operatorname{Var}(A^{(g)})+\epsilon}}.

这样可以减少某个奖励流单纯因为数值尺度较大而主导 actor 更新。它不保证所有目标都同等重要；权重 $w_g$ 、各组梯度方向及奖励定义仍然决定取舍。固定实现的方差是按有效样本平均的总体方差， $\epsilon$ 加在方差内部。

组内标准化还意味着：将某组奖励整体放大，不等于按同样倍数提高其对策略的影响。如果要控制组间偏好，应区分“组内奖励项权重”和“标准化后的组权重”。actor_loss 默认还会对组合后的优势再标准化一次；公共缩放的效果因此又不同于相对组权重。calc_advantages 与 actor_loss

9.3 PPO 使用 rollout 中实际采到的动作

概率比为：

\rho_t=\exp\big(\log\pi_\theta(a_t\mid o_{\le t})- \log\pi_{old}(a_t\mid o_{\le t})\big).

当前策略重新评价的是缓存的动作 $a_t$ ，不是重新采一个动作后与旧概率相减。源码把各动作维度的 log probability 相加，然后使用 clipped surrogate 与熵项。

mask／lens 控制哪些样本参与损失平均；它与 GAE 的继续传播 mask 作用不同。padding mask 全为真，不代表相邻位置属于同一 episode；反过来，一个终止动作仍可能是应该训练的有效样本。

对于循环策略，公式中的条件还包含当时的记忆。即使网络权重未变，重放时丢掉起始隐藏状态，也可能使概率比偏离 1。这个问题将在时序接口中用实际源码演示。

10. 蒸馏接口：一个 MSE wrapper 还不是 DAgger

10.1 它比较的是动作均值

DistillationWrapper 为学生和教师分别选择输入字段，再以 deterministic=True 调用两者，比较动作均值。默认对教师使用 torch.no_grad()，但这不等于自动调用 teacher.eval()，也不负责维护教师的运行模式。

对于 Gaussian，确定性输出是均值；对于 Beta，则是经过变换后的有界均值。两个分布均值相同，即使方差完全不同，这个蒸馏项仍然可以为零。因此不能把它叫作完整分布匹配或 KL 蒸馏。

代码先对动作维度取平均，再加可选的特权重建损失。论文中写成平方范数的公式与代码中按动作维度平均的实现，在多动作维度下会相差一个尺度因子；与 PPO 或辅助损失组合时，损失权重应按实际 reduction 核对。DistillationWrapper.forward

weights 也不是自动归一化的采样概率。若两个有效位置的损失为 1 和 9，权重为 1 和 3，代码得到 $(1\times1+9\times3)/2=14$ ；按权重和归一化则会得到 7。本文的源码探针直接验证了前一种行为。

10.2 采集与训练循环仍要自己组织

一个真正的 DAgger 迭代至少需要：学生访问环境、在对应状态查询教师、形成监督样本、更新学生，然后用更新后的学生继续采集。这个 wrapper 只处理已经传入的一批张量。

它也没有自动根据环境组选择多个专家，或者把 PPO、判别器损失和优化器组合起来。名字中有 Distillation，不代表已经覆盖论文的全部训练阶段。

循环状态同样需要处理：wrapper 接受师生的初始隐藏状态，但内部没有把更新后的隐藏状态作为输出返回。用它做跨调用的循环蒸馏时，应明确训练片段如何切分、起始记忆从哪里来，而不是假设 wrapper 已经维护连续轨迹。

10.3 特权重建与额外潜变量预测是不同目标

论文的辅助目标是重建教师高度扫描。当前仓库还增加了 NextLatentPredictionWrapper，引用 SPR 与 next-latent prediction 工作，预测下一时刻内部表示：

\widehat h_{t+1}=h_t+f_\psi(h_t,a_t),\qquad \mathcal L_{latent}=2-2\cos\big(P\widehat h_{t+1},P\operatorname{sg}(h_{t+1})\big).

它是第三方实现的扩展，不是原论文深度重建项的另一个名字。该目标通过时间相邻的潜变量训练前向动力学；高度扫描重建则有明确的地形目标。

默认行为尤其容易误读：Actor(next_latent_prediction=None) 会先被替换为 {}，随后创建自动启用的 wrapper；在训练模式、梯度开启且至少两个时间步时计算该损失。显式传入 False 才会关闭。固定 Pendulum 脚本在命令行选项为 false 时传给 Actor 的却是 None，所以不能仅根据 CLI 布尔值认定辅助目标已关闭。

还有三个求导细节值得保留：

目标分支只对下一时刻 latent 做 detach，后面的共享投影 $P$ 仍然可训练；不是整个目标分支都停止梯度。
未显式传动作时，wrapper 使用输出参数的第一项。对 Beta，这个原始参数不等于经过 tanh 后的动作均值。Agent.actor_loss 会显式传入 rollout 动作，具有不同语义。
mask 只检查两个相邻位置是否都有效，不检查中间是否跨过 episode reset。训练片段或额外的转移 mask 需要避免把两个 episode 错当成一条动力学轨迹。

Agent.actor_loss 会加上这个潜变量损失；DistillationWrapper 返回的总损失则没有自动把它加进去。比较配置时，应保存真正参与反向传播的各项，而不只是记录网络中安装了哪些模块。潜变量目标与 Actor 构造

11. 时序接口：训练片段和在线记忆必须一致

11.1 五帧堆叠不等于自动维护五帧缓存

StateEncoder 对本次输入的时间轴左侧补零，再用 unfold 构造帧窗口。它没有保存前一次调用的原始观测。因此，整段 [B,T,D] 输入与连续调用 $T$ 次 [B,1,D]，在 num_stacked_frames=5 时并不具有相同的输入窗口。

本文固定随机种子，比较同一套 GRU 权重的两种调用方法，并在线逐步传递返回的隐藏状态：

配置	整段与单步调用的最大动作均值差
堆 1 帧，正确传递 GRU 隐藏状态	约 $8.94\times10^{-8}$
堆 5 帧，只传递 GRU 隐藏状态	约 0.0100

这不是机器人误差或模型质量评测，而是两种张量接口是否等价的检查。GRU 记忆不能代替缺失的原始帧窗口。

在线接入时应明确由谁维护原始历史。一个可研究的接口方案是由调用方堆好历史，将它作为单时刻特征输入，并相应配置编码器的维度与堆帧数；不能把含有旧帧的完整窗口一遍遍交给 GRU，同时又沿用已经处理过这些旧帧的隐藏状态，否则会重复更新记忆。

11.2 TBPTT 截断的是梯度，不是前向记忆

TBPTT 指截断的时间反向传播（Truncated Backpropagation Through Time）。启用 GRU 时，默认 tbptt_timesteps=10 会把时间序列分块。每块的末尾隐藏状态继续传给下一块，但先做 detach()，因此前向信息可以继续传播，梯度不能跨过这个边界。

即使关闭分块，当前实现仍会将返回的隐藏状态 detach。调用者不能假定跨多次 forward 会自动形成无限长的反向传播图。StateEncoder.forward

11.3 循环 PPO 需要重放当时的条件

本文另取一个 GRU 策略，先对完整序列计算动作分布，再从序列中间截取后三步、以空隐藏状态重新计算。权重完全不变，但对同一动作的概率比约为：

[1.00927, 1.00483, 1.00218]

差异来自起始记忆变化。固定 Pendulum 示例的更新函数会按连续小块处理数据，但没有为每个小块携带 rollout 中对应的初始隐藏状态，也没有提供 burn-in 前缀。保留时间维本身还不够保证循环 PPO 的条件一致性。ppo_update

如果还开启上一动作反馈，同样要维护片段之前的那一步动作。use_last_action 把 $a_{t-1}$ 编码后加到当前状态表示，而不是把当前动作当成过去信息。切片后丢掉前一动作，也会改变策略条件。

11.4 字段顺序与状态生命周期也是接口的一部分

直接给编码器传字典时，它按字典值的顺序组织特征；通过 Agent 的 key 路由则会变成按指定 key 排列的列表。FiLM 的 cond_key 若使用字符串，只适用于字典路径；被路由成列表后应使用对应的整数位置。

此外，episode reset 时需要一致地处理 GRU 隐藏状态、原始帧历史、过去动作与有状态奖励。当前奖励 wrapper 的 reset_() 负责它自己的状态，不会替 actor 清理隐藏状态，也不会自动识别某个并行环境刚刚结束。

11.5 并行环境需要按行重置，不能“一起清零”

上面的生命周期问题在向量化环境里更具体。假设两个环境的脚部加速度记忆分别为 $[20,40]$ ，下一步都没有新增超限量，且只有环境 0 开始新 episode。沿用第 3.3 节的 $\alpha=\exp(-1/3)$ ，期望的新记忆是：

[0,40\alpha]\approx[0,28.6613].

不重置会得到约 $[14.3306,28.6613]$ ，让新 episode 继承旧冲击；调用当前 reset_() 则得到 $[0,0]$ ，同时丢掉仍在运行的环境 1 的历史。固定源码的 FootAccelerationPenalty.reset_() 将整份缓存设为 None，wrapper 再对全部有状态奖励调用它，没有 done_mask 参数。奖励缓存与全局重置

随文 source_probe.py 已在两个环境的真实组件上验证这三组数值；其中按行重置的值是期望行为对照，不是声称上游已经实现该接口。扩展训练器时，可以为有状态组件设计逐环境重置接口，或按环境隔离状态；还要明确 batch 维的位置及设备、形状变化时的处理方式。

重置顺序同样重要：先用终止前的状态完成最后一步奖励和转移记录，再清理已结束环境的历史，然后处理自动重置后的首个观测。GAE 对截断所需的终点价值应来自该 episode 的终点条件，不能在隐藏状态清空后，用下一轮初始观测冒充它。

需要共同遵守这个边界的状态包括 GRU 隐藏状态、原始堆帧缓存、上一动作以及奖励记忆。训练片段若跨 reset，还需阻断循环状态传播和潜变量转移配对。可变 batch 若重排环境，也应同步重排这些状态；只保持张量形状相同，不代表每一行仍属于同一个机器人。

12. 论文结果：既看高成功率，也看感知缺口

12.1 攀爬高度增加后，学生与教师的差距会扩大

下表选取论文 Table V 的攀爬行。Ours 是深度学生，FT 表示最终强化学习微调；数值为作者报告的成功率百分比。

平台高度	深度学生	不做最终 FT	不用 GRU	高度扫描教师
60 cm	99.2	88.4	54.0	99.9
65 cm	98.8	89.8	56.6	99.2
70 cm	90.0	76.4	34.2	99.2
75 cm	33.4	17.0	0.0	98.6

原论文攀爬任务中高度扫描教师与深度学生的成功率对比，75厘米障碍下两者差距显著扩大 — 图 5：据原论文 v1 Table V 重绘，数值为作者报告。连线仅辅助阅读，不是插值预测；本文没有重跑这些机器人实验。

论文平台身高 90 cm，所以 75 cm 约为身高的 0.83 倍。这表示被测试的障碍尺度，不等于深度学生能以接近满分的成功率处理该极限高度。教师仍能较好完成，而学生明显下降，提示这里存在感知与控制条件之间的缺口；GRU 缓解了它，但没有完全消除。

速度撑越（speed-vault）在 40、45、50 cm 下，深度学生报告值分别为 99.0、95.0、93.4；去掉最终微调后为 65.2、68.4、61.8。对于 stepping stones，完整学生为 99.9，不做最终微调为 34.6，不用 GRU 为 0。不同任务对记忆和微调的依赖程度并不相同。论文 Table V

作者说明各设置进行 500 次随机试验，并描述了 15,000 次迭代的配置，其中深度蒸馏 14,000 次、最终微调 1,000 次；无微调版本在蒸馏后停止。因此该消融移除的是整个微调阶段，不能把差异完全归因于某个单独损失项。

表内同时存在 99.9 等报告值。本文按原表保留，不据此反推整数成功次数或构造置信区间；若要重新统计，需要逐次 rollout 结果和作者的具体汇总方式。

12.2 学会技能衔接，需要专门的训练分布

论文 Table VII 将成功定义为：既切换到地形要求的行为，又完成随后的技能或行走段。每种设置进行 100 次随机试验。

配置	衔接与后续任务共同成功率
平地行走 + 独立技能，没有衔接组	0%
粗糙地形行走 + 独立技能，没有衔接组	33%
去掉 AMP	51%
完整衔接训练	98%

这组结果支持“多技能合并不自动产生可靠衔接”，也说明动作先验对该实验的表现有作用。它不等于任意路线、任意障碍和任意实机条件下都有 98% 成功率。

论文还展示了隐藏状态的 t-SNE 可视化。它可以帮助观察轨迹随行为变化的局部结构，却不能单凭二维聚类距离证明策略内部存在离散技能开关。论文 Table VII、Figure 11

12.3 实机部署与泛化应分别阅读

原论文使用 Lightbot 0：身高 90 cm、质量 18.9 kg、21 个驱动自由度，配备胸前 RealSense D435、IMU 与关节编码器。作者报告在板载 Jetson Orin Nano 上运行 50 Hz 策略，展示室内外越障、窄板桥、踏脚石和连续技能切换。

形状泛化实验还将训练箱体换为未见过的鞍马状梯形障碍，报告 reverse-vault 与 speed-vault 分别为 93.4% 和 95.3%。它说明这些技能可以适应被测试的形状变化，不能推广为任意物体几何上的可靠性。论文 Sections VII-A、VII-B、Table VI

这些硬件实验属于原论文系统。本文分析的第三方仓库没有附带相同场景、标定、训练产物与部署适配器，不能把安装该包作为获得这些能力的等价步骤。

13. 可运行实验与核对结果

13.1 先跑不依赖模型的数学练习

下载 parkour_lab.py，使用 Python 3.10 或更新版本运行即可，无需安装第三方库：

python3 parkour_lab.py

程序验证奖励累积、终止／截断的 GAE 差异、严格触发边界、平滑权重、分组标准化、蒸馏权重 reduction，以及 Beta 区间变换的密度和熵。输出末尾 passed: true 表示教学检查通过；本次输出可供逐项对照。

如需重建四张 SVG，再将 make_figures.py 下载到同一目录：

python3 make_figures.py
python3 make_figures.py --check

第一条命令生成 assets/ 下的图，第二条只比较已有文件是否与生成器一致。数值图对应教学公式；师生对比图的数字来自论文 Table V，生成图表本身不会运行机器人评测。

13.2 在固定源码上复查接口

另外提供 source_probe.py，实际调用本次固定仓库的组件。它要求 PyTorch 及该包的依赖，与上面的纯标准库练习分开。本次使用 Python 3.10.0、PyTorch 2.9.0 CPU、NumPy 2.2.6；完整依赖约束保存在 source-constraints.txt。

以下命令对应本次验证的 Linux x86_64 CPU 环境。先下载约束文件，再在独立目录安装；其他平台需要选择匹配的 PyTorch 安装包，不能直接假定同一组二进制依赖可用：

git clone https://github.com/lucidrains/light-loco-parkour.git
cd light-loco-parkour
git checkout 963a6ec3b8b42eb29dd6b9dfed34ededd3c64c7b
python3 -m venv ../light-loco-env
. ../light-loco-env/bin/activate
python -m pip install 'pip==25.2'
python -m pip install 'torch==2.9.0+cpu' \
  --index-url https://download.pytorch.org/whl/cpu
python -m pip install -c /path/to/source-constraints.txt '.[test]'

/path/to/source-constraints.txt 需要替换为下载文件的实际路径。包的直接要求写着 torch>=2.5，但本次解析到的 accelerated-scan 要求更高版本；这也是不能仅根据顶层依赖判断环境兼容性的原因。本文使用独立 CPU 环境验证，没有修改本机其他 PyTorch 环境。

随后从下载探针的目录执行：

python source_probe.py \
  --source-root /path/to/light-loco-parkour \
  --output source-results-local.json

程序检查 Git 提交和工作区状态，确保结果对应未修改的固定源码，再运行奖励符号、堆帧与 GRU、潜变量默认开关、蒸馏权重、GAE、阶段权重、循环重放和动作输出等检查。本次实际结果记录了依赖版本与数值。

13.3 源码测试通过到哪一层

切回固定源码仓库的根目录，保持前述虚拟环境已激活。本次运行以下两个原仓库测试文件：

PYTHONDONTWRITEBYTECODE=1 OMP_NUM_THREADS=1 MKL_NUM_THREADS=1 \
python -m pytest -p no:cacheprovider -q \
  tests/test_agent.py tests/test_next_latent_prediction.py

结果为 33 passed。这些测试包含张量接口、损失与小型潜变量／积分器学习任务，不包含人形机器人仿真。

运行全量测试收集时，tests/test_light_loco.py 会导入仓库中缺失的 validate_transition，产生 ModuleNotFoundError。因此本文没有将结果描述为“全部测试通过”，也没有补造这个模块后再把结果算到原仓库上。

此外，以下三轮 Pendulum 短跑可以执行完成：

PYTHONDONTWRITEBYTECODE=1 OMP_NUM_THREADS=1 MKL_NUM_THREADS=1 \
python validate_pendulum.py \
  --max_iterations=3 --steps_per_iter=256 \
  --ppo_epochs=1 --batch_size=64 --num_envs=2 --use_rnn=True

本次三轮平均 episode reward 约为 −1251.28、−1247.76、−1197.08。这个短跑确认采集、GAE 和更新路径可运行，不能证明策略已收敛，更不能代表跑酷性能。脚本对循环片段、辅助目标开关等处理还应按前面的接口分析核对。

14. 从组件走向完整复现，还需要补哪些工作

如果目标是研究本文的数学与实现，随文练习和源码探针已经提供了直接入口。如果目标是训练论文中的人形机器人系统，则需要继续补齐以下相互关联的环节：

环节	需要形成的具体产物	应验证的问题
机器人与场景	模型、执行器约束、接触与传感器配置	同一动作目标是否产生符合预期的运动？
参考数据	成对保存的轨迹与障碍几何、筛选记录	每条参考是否对应当前地形与接触位置？
训练环境	奖励状态、终止／截断、课程与随机化	奖励符号、单位和 bootstrap 是否一致？
多阶段训练	专家选择、学生采集、PPO／DAgger／AMP 接线	每个阶段究竟使用哪些标签与奖励？
循环数据管线	帧窗口、隐藏状态、过去动作、episode 边界	重放是否保持 rollout 时的条件？
部署与评测	观测预处理、时间戳、动作映射、分项结果	学生是否在真实传感器条件下完成任务？

这些工作不是几个待填写的模型超参数，而是论文能力赖以成立的数据与控制系统。LightLocoParkour 当前的薄封装可以组织已有 agent，却不能代替它们。

把本文与 X-VLA 和 RTC 放在一起阅读时，可以沿三层接口比较：

问题	对应文章的主要切入点	不能从这一层自动得到什么
同一个模型怎样适应不同训练域	X-VLA 的软提示、域相关参数与动作表示	不同机器人的坐标和控制接口自动等价
较慢的动作生成怎样接上正在执行的计划	RTC 的前缀条件、时间对齐与队列安装	旧任务结果自动失效，或观测一定新鲜
全身技能怎样从参考学到板载闭环	Light-Loco-Parkour 的蒸馏、衔接训练与循环记忆	组件包直接具备论文的仿真和部署系统

三者共同要求保留动作的语义、时间与状态来源，但本文没有把它们合成为一个已经训练或验证的统一策略。阅读顺序可按问题选择：先核对动作表示，再理解异步时序，最后研究循环状态与技能学习。

阅读这套方法最有价值的收获，是把四件事分开并重新接起来：地形配对参考提供可学习的接触经验，蒸馏把经验转移到更现实的观测条件，专门的衔接训练覆盖行为转换，而记忆与传感器建模帮助最终学生闭环执行。每一层都要用对应的证据验证，不能由上一层的成功自动推断下一层也成立。

阅读自测与验收

区分原论文完整系统与固定第三方仓库的组件范围，解释全量测试为何无法直接通过。
说明参考增强、单技能 DAgger、多专家合并、衔接 RL 与深度蒸馏分别改变什么训练条件。
运行 CPU 练习，核对脚部加速度的符号、GAE 目标、阶段权重与蒸馏 reduction。
用源码探针解释堆帧缓存、GRU 隐藏状态、逐环境重置及潜变量默认开关为什么影响结果。
按论文各自评测口径解释 75 cm 攀爬的师生差距和 98% 衔接成功率。

参考资料

Chen et al. Light-Loco-Parkour: Versatile Perceptive Whole-Body Locomotion via Multi-Skill Distillation，v1，2026-08-01。方法、训练阶段与实验结果的主要来源。
Light Origins. Light-Loco-Parkour 项目主页。实机演示与系统概述。
Phil Wang / lucidrains. light-loco-parkour，固定提交 963a6ec。本文逐项核对的第三方实现与测试。
Mysore et al. Multi-Critic Actor Learning: Teaching RL Policies to Act with Style，ICLR 2022。仓库分组优势与多 critic 设计引用的研究。
Schwarzer et al. Data-Efficient Reinforcement Learning with Self-Predictive Representations；Teoh et al. Next-Latent Prediction Transformers Learn Compact World Models。第三方实现潜变量预测扩展引用的工作，不应与原论文的高度扫描重建目标混为一谈。

Last updated on September 12, 2026