人形机器人长期受困于复杂地形的动态控制难题。一项名为PHP的新框架，通过结合动作匹配与专家蒸馏技术，成功让宇树G1机器人在真实世界实现了零样本跑酷，展现了翻越、攀爬等高动态技能，标志着具身智能领域的一项重要技术突破。
智能速览
PHP框架通过动作匹配技术，解决了长程跑酷技能的编排难题。
采用专家蒸馏框架，将多技能统一为单一视觉策略，实现平滑切换。
机器人成功完成攀爬1.25米高墙、以3米/秒速度翻越等高难度动作。
仅凭机载深度相机和速度指令，机器人即可自主选择技能穿越障碍。
实现了从仿真到真实世界的零样本迁移，无需额外实机微调。
精华内容
这项突破的核心在于一个巧妙的控制框架，它如何让机器人从“会走”进化到“会跑酷”？
动作编排
传统方法难以串联高动态技能。该框架采用“动作匹配”技术，将稀缺的人类跑酷原子动作库作为基础。通过最近邻检索与智能拼接，机器人能生成高密度、多样化的长时程参考轨迹，从而自然地解决了不同技能间的平滑过渡难题，如同一位精通多种舞步的舞者，能即兴编排连贯的舞蹈。
技能蒸馏
为了将复杂的多技能控制整合到一个统一模型中，研究团队设计了一个两阶段的“专家蒸馏”框架。首先，训练多个拥有特权信息的单技能专家模型。然后，利用DAgger和PPO算法，将这些专家的知识联合蒸馏到一个单一的、仅依赖深度视觉的统一策略中。这使得机器人能够用一个“大脑”控制所有动作，并在不同技能间无缝切换。
极限性能
实验数据直观地展示了其强大的运动能力。宇树G1成功攀爬了高达1.25米的障碍物，这相当于其机身高度的96%。此外，它能以3米/秒的速度快速翻越障碍，并连续进行长达48秒的多障碍穿越。这些数据表明，其在动态性和持久性上均达到了新的高度。
自主决策
该框架的一大亮点是感知驱动的自主性。机器人仅需依赖机载的深度相机获取环境信息，并接收简单的2D速度指令。其内部策略便能自主判断当前地形，并智能选择最合适的动作，无论是跨越、攀爬还是翻滚，实现了真正的“眼观六路，随机应变”。
数据关键
研究还揭示了数据密度对于成功率的关键作用。实验表明，当减少动作匹配所用的参考轨迹数据密度时，机器人在面对中高难度障碍时的成功率会显著下降。这验证了拥有高覆盖度的参考轨迹是实现鲁棒跑酷性能的核心要素，为后续研究指明了方向。
这项技术不仅为人形机器人的运动能力树立了新标杆，更展示了感知驱动控制的巨大潜力。未来，随着算法优化与算力提升，或许能见到更通用、更灵活的机器人进入现实生活，为人类执行更复杂的任务。机器人跑酷的时代，是否已经不远？
