清华大学联合研究团队提出名为“Hiking in the Wild”的感知跑酷框架，让人形机器人仅凭单目深度相机，就能以2.5米/秒的高速在野外环境中稳定奔跑，跨越障碍。此框架通过端到端的感知-控制模式，打破了传统依赖多传感器或复杂建图的限制，显著降低了人形机器人走向真实世界的硬件和技术门槛，为其在非结构化环境中的应用开辟了新路径。
智能速览
仅用单目深度相机实现全尺寸人形机器人的野外运动
机器人奔跑速度可达2.5米/秒，能跨越32厘米高台和50厘米宽沟
框架采用端到端感知-控制，无需建图或定位，实现零-shot迁移
通过边缘检测与平坦补丁采样机制，确保落脚安全，防止打滑
在多种复杂地形测试中，行走和奔跑模式的成功率接近100%
精华内容
这项技术的核心在于其独特的“感知-控制一体化”设计与巧妙的安全机制，共同确保了机器人在未知环境下的高速与稳健，下面将深入解析其关键技术细节。
突破传统架构
该框架的核心是“感知-控制一体化”，直接将深度图像和机器人本体感受映射为关节动作，省去了传统机器人学中复杂的建图与定位环节。
相比依赖多传感器融合的四足机器人或缺乏前瞻感知的盲走策略，Hiking in the Wild仅需一个单目深度相机，便实现了高速敏捷与稳健性的兼顾。
其通过双向深度处理管道，对仿真数据添加噪声与模糊，对真实数据进行修复与降噪，确保数据分布一致，从而实现了仿真到现实的零-shot迁移。
双重安全机制
为解决高速移动中“踩边打滑”的风险，框架设计了软约束机制。模型能自动识别台阶、沟壑等地形边缘，并通过脚底分布的虚拟点引导脚部落在平坦区域，显著提升了稳定性。
数据显示，开启边缘惩罚后，机器人落在平坦区域的比例远高于未开启时，有效避免了因脚部悬空导致的摔倒。
此外，框架还引入“位置指令”替代随机速度指令，通过导航至平坦可达区域，解决了强化学习训练中常见的“原地打转”问题，大幅提升了训练效率。
实测性能卓越
在搭载该框架的Unitree G1人形机器人上进行了全面测试，结果显示其最高奔跑速度可达2.5米/秒。
机器人能够稳健地跑上32厘米高台、跑下高台、跨越50厘米宽沟，并能在草地斜坡和楼梯等多种复杂地形中保持高速移动。
在10次重复测试中，各场景的成功率均接近100%，证明了其卓越的稳健性。整个系统仅需工厂标配的Intel RealSense D435i深度相机，硬件门槛极低。
未来应用展望
尽管表现出色，该框架仍有提升空间，例如在斜坡场景下的稳定性有待进一步加强。
研究团队计划未来增加多相机以实现全向感知，并探索更先进的多任务强化学习方法，让单个模型能适配更多场景与步态。
Hiking in the Wild的核心价值在于，它用一种更简洁、低成本的方案打破了传统技术流程，为人形机器人从实验室走向真实世界的广泛应用迈出了关键一步。
Hiking in the Wild框架为人形机器人在真实世界中的自主移动提供了低成本且高效的解决方案。它证明了仅凭单一视觉传感器也能实现复杂的动态平衡与环境交互，这无疑加速了具身智能从实验室走向实际应用的进程。未来，当感知能力与任务泛化性进一步提升后，人形机器人的应用场景将拥有无限想象空间。
