研究解读 · 神机百见-具身解读

不建地图、不用相机：单杠这道几何题，人形机器人靠原始点云过了

一根悬在半空、几何稀疏的细杆，会把感知和全身控制一起卡死。苏黎世联邦理工让一台众擎 PM-01 跳上单杠、双手交替摆荡、再落地，15 次试验成功 14 次。真正值得记的不是这个动作本身，而是它证明了「不建地形图」这条路在非结构化场景里更对。

本篇目录5 节 · 12 分钟
一个专门用来卡死机器人的场景不建地形图，直接吃原始点云三个专家，蒸馏成一个学生同一套控制器，钻过了 2 厘米余量的窄缝这篇工作没说的事
一分钟速览
  1. 结果：EngineAI PM-01 完成「跳上—摆荡—落地」全流程，15 次硬件试验成功 14 次，覆盖三种不同的单杠配置。
  2. 几何条件：杆高 1.69–1.75 米，杆间距 0.26–0.33 米，峰值摆动速度 0.5 m/s；其中一次试验支架本身还在晃。
  3. 感知方案：头部 RoboSense E1R 固态激光雷达的原始点云直接喂给控制器，不建地形图、不做重建。视场 120°×90°、10 Hz、192×144 分辨率。
  4. 为什么不建图：高度场（heightfield）会丢掉的恰恰是「细的、悬空的、上下都是空气的杆」；体素网格又太吃内存。这是本文最值得记住的一条工程经验。
  5. 判断：这条路线对「临时结构、非标场景」的价值远高于结构化产线——工地、巡检、演出布景里到处都是细杆、线缆、栏杆，而这些恰恰是 elevation map 会直接抹掉的东西。
数据来源与边界
本文事实以 TechEBlog（2026-09-12）对 ETH Zürich Robotic Systems Lab 成果的报道为主，交叉 AGI Hunt 的转述与 FutureX Physical AI Daily Issue 118（09/13）的 Paper Progress 条目。论文题为《Learning Agile Perceptive Traversal of Sparse 3D Structures for Humanoids》，三方对成功率 14/15、杆高 1.69–1.75m、间距 0.26–0.33m、峰值 0.5 m/s、E1R 激光雷达、GRU 记忆、两阶段（专家→蒸馏）训练的口径一致。本文未获取到 arXiv 编号与论文原文，所有技术细节均来自上述二手报道，属单一信源的转述链条；雷达参数（120°×90°、10Hz、192×144）、AME-2 编码器、50Hz 关节位置指令、60mm 钩口、Isaac Lab 域随机化清单等细节仅见于 TechEBlog 一篇，未获第二来源印证，已在正文标注。素材时间窗为 2026-09-12 18:00 → 2026-09-13 09:00：FutureX Issue 118（09/13）在窗口内收录该成果并给出中文口径，构成本批纳入依据。「首个」「first reported」等表述为原报道方说法，本文不作独立认定。所有判断均已用「判断：」标注。
本文事实信息来自上方标注的公开来源；解读、判断与延伸部分为作者个人见解，写作过程使用了 AI 工具辅助整理，已由作者人工核实，不代表信息来源方立场。如有雷同纯属巧合；如涉及版权或权益问题，请联系 shenjibailian@shenjibailian.com，我们将在核实后及时删除或更正。
1为什么是单杠

一个专门用来卡死机器人的场景

单杠看起来是个 playground 玩具，但在机器人眼里它是个相当刁钻的几何题：

几何上

杆子细、悬空、上下都是空气。它不属于「地面」这个概念的任何一部分。

控制上

跳上要准、摆荡要连续换手、落地要稳，三个阶段是三个不同的动力学问题，还得无缝接上。

苏黎世联邦理工（ETH Zürich）机器人系统实验室让一台 EngineAI PM-01（众擎机器人）完成了整套动作：跳上第一根杆、双手交替摆荡前进、再干净地落到地面，全程不中断。

硬件试验成功率
14 / 15
覆盖单杠配置
3 种
峰值摆动速度
0.5 m/s
杆高 1.69–1.75 m，杆间距 0.26–0.33 m；其中一次试验支架本身在晃动

0.5 m/s 这个速度，报道里说和人类玩同样器械时观察到的量级相当。更值得一提的是那次「架子还在晃」的试验——它说明这套控制不是靠精确已知的世界模型硬算出来的，而是对扰动有一定容忍度。

2关键选择

不建地形图，直接吃原始点云

这是整篇工作最有价值的一点，也是最容易被动作本身的视觉效果盖过去的一点。

腿足机器人的常规做法是先建地形图：把传感器数据压成高度场（heightfield / elevation map），控制器在这个图上规划落脚点。这个做法在野外、楼梯、碎石地上非常好用。

但它有一个致命的副作用：高度场只保留「每个 (x, y) 位置的最高点」。一根悬空的杆，在高度场里要么被记成「那个位置有 1.7 米高的东西」（于是机器人以为面前有堵墙），要么因为分辨率不够直接被抹掉。无论哪种，都跟「可以抓的横杆」这个语义完全对不上。

判断：这条经验可以直接迁移到工程现场。任何「悬空、细长、非承重面」的结构——线缆、护栏、脚手架横杆、吊装带、演出桁架——在高度场里都会失真。而这些恰恰是巡检、施工、演出场景里最常见的东西。如果一套移动操作方案默认依赖 elevation map，它在这些场景里的失败会非常突然且难以归因。

那为什么不用体素网格（voxel grid）保留三维信息？报道给出的理由是内存开销太大，跟不上实时控制。

ETH 的做法是跳过重建这一步：头部 RoboSense E1R 固态激光雷达的原始扫描直接进控制器。按 TechEBlog 的描述（此段细节仅见于该篇，未获第二来源印证），雷达视场 120°×90°、10 Hz、生成 192×144 的点阵；一个名为 AME-2 的注意力编码器先在这些点上铺 2D 网格、池化出全局图景，再聚焦到下一步真正重要的局部特征；GRU 记忆模块负责在目标杆移出视野后仍然记得它在哪；控制器输出 50 Hz 的关节位置指令给机载 PD 环。另有一个辅助头去预测梯子的中心线，作为额外训练信号。

「杆子移出视野了还知道它在哪」这件事，是摆荡动作能连续的前提——换手瞬间头部必然朝下或朝前，目标杆会离开视场。没有这段记忆，每次换手就等于重新找目标。
3怎么训出来的

三个专家，蒸馏成一个学生

阶段一
分别训练三个「专家」策略：跳上第一根杆、摆荡、落地。每个专家拥有完整特权信息（知道杆端在哪），各有自己的课程
阶段二
用相位调度器在三个专家之间交接控制权，跑通完整序列
阶段三
蒸馏成单一学生策略，学生只能看到自己传感到的东西（没有特权信息）
阶段四
PPO 精调，把模仿学习融入任务奖励，并逐步关掉模仿信号

训练在 Isaac Lab 中完成，域随机化的清单拉得很长（此段细节仅见于 TechEBlog）：杆半径、宽度、倾斜、摩擦、质量、电池电压跌落、执行器热限制，还有一个相当细致的激光雷达噪声模型——测距误差、边缘渗光、丢点、帧冻结。

判断：这份随机化清单里最见功力的是「电池压降」和「执行器热限」。这两项都是真实硬件上才会出现、仿真里最容易漏掉的因素——机器人连续摆荡十几秒，电压会掉、电机会热，力矩输出跟着衰减。把它们提前放进随机化，是 sim-to-real 能一次过（14/15）的主要原因之一。这是任何做真机强化学习的团队都该抄的一条。

硬件侧还有个巧妙的简化（同样仅见于 TechEBlog）：机器人末端装的不是手，而是不锈钢被动钩，开口 60mm 圆环。它靠腕关节扭转就能脱钩，对微小的接触误差不敏感；接触几何用简单形状搭建，仿真里的接触计算因此很轻。钩子的对称设计还允许机器人必要时反向摆荡。

4泛化信号

同一套控制器，钻过了 2 厘米余量的窄缝

更有说服力的是后续测试：同一个控制系统下，另一个独立训练的策略让机器人蹲着钻过头顶仅余 2 厘米的窄缝，然后恢复到稳定姿态。

这跟单杠是同一个几何难题的镜像版本——不是「上面悬着一根细杆」，而是「上面压下来一块板，只留两指宽的缝」。两者共同要求的都是：对稀疏悬空几何的精确感知 + 全身姿态的精细控制。

报道还提到，注意力图在仿真和真机上「照亮的位置完全一致」——下一次落脚的杆、以及地面，出现的时机也恰好对得上。这说明学到的表征确实在跨 sim-real 迁移，而不是靠过拟合仿真里的某个伪影。

判断：如果这套「点云直连 + GRU 记忆」的范式在「细杆」和「窄缝」两类几何上都成立，那它的适用边界大概率不是「体育器械」，而是所有高度场会失真的非结构化空间。对做巡检和特种作业的团队，这意味着一条比「先建图再规划」更轻的技术路线——它省掉的重建步骤，在算力受限的机载平台上是很实在的收益。
5要保留的怀疑

这篇工作没说的事

缺口具体情况对判断的影响
论文原文未获取本文所有细节来自 TechEBlog / AGI Hunt / FutureX 的二手转述，未见 arXiv 编号与原文雷达参数、AME-2 结构、域随机化清单等细节无法逐条核对
失败样本只有 1 个15 次中 1 次失败，失败原因未披露93% 的成功率在小样本下置信区间很宽，不宜直接外推到批量部署
场景是受控的三种杆的几何都在很窄的范围内，光照、地面条件未说明变化「泛化」指的是杆几何泛化，不是环境泛化
无负载、无任务只做位移动作，不涉及携带物体或操作距离「能干活」还有明显距离
本体是 PM-01小型人形（约 1.2 米级、24 自由度），不是全尺寸结论能否迁移到全尺寸人形未经验证
报道称这是「首个」用自身激光雷达完成整套跳—荡—落序列的通用人形机器人。此前确有能摆荡的机器，但多数假设杆的位置已知——这个差别很大，一个是感知问题，一个只是控制问题。

把这些保留意见摆出来，不是要否定这项工作。恰恰相反：一篇能让你准确说出「它还没证明什么」的报道，通常比一篇全是惊叹号的更值得读。14/15 的硬件成功率、三种几何配置、一个跨任务复用的控制器，这三项已经足够说明技术方向是对的；至于它能走多远，要看后续有没有团队在非 ETH 的硬件上复现出来。

来源：ETH Zürich Robotic Systems Lab（Learning Agile Perceptive Traversal of Sparse 3D Structures for Humanoids）· TechEBlog（2026-09-12）· AGI Hunt · FutureX Physical AI Daily Issue 118（09/13）