SWAP: Symmetric Equivariant World-Model for Agile Robot Parkour
作者: Kaixin Lan, Ze Wang, Hongyi Li, Lei Jiang, Chaojie Fu, Chengkai Su, Choi Lam Wong, Yongbin Jin, Hongtao Wang
分类: cs.RO
发布日期: 2026-06-18
💡 一句话要点
提出SWAP以解决极限跑酷机器人对称性建模问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 对称性建模 极限跑酷 机器人控制 几何泛化 零样本迁移 演员-评论家网络 世界模型
📋 核心要点
- 现有的潜在世界模型在处理极限跑酷时，未能有效利用对称性，导致学习效率低下。
- SWAP框架通过将对称性直接嵌入世界模型和演员-评论家网络，提升了模型的学习效率和几何规律捕捉能力。
- 在实验中，机器人成功实现了跨越2.13米间隙和攀爬1.63米平台的壮举，展示了优异的几何泛化和零样本迁移能力。
📝 摘要（中文）
尽管潜在世界模型能够支持极限跑酷所需的主动预测，但其纯数据驱动的特性使得左右对称交互被冗余编码为独立模式，增加了学习负担并限制了几何规律的捕捉。为此，本文提出了SWAP，一个端到端的对称等变世界模型。该框架将对称性直接嵌入到世界模型和演员-评论家网络中。在实际测试中，机器人成功跨越2.13米的间隙并攀爬1.63米的平台，打破了四足跑酷的记录。此外，该框架在未见的镜像地形上表现出强大的几何泛化能力，并在多样的户外环境中展现出卓越的零样本迁移能力。这些结果表明，对称等变性是推动学习腿部运动物理极限的有效结构先验。
🔬 方法详解
问题定义：本文旨在解决现有潜在世界模型在极限跑酷任务中对称性建模不足的问题。现有方法冗余编码左右对称交互，导致学习负担加重和几何规律捕捉能力不足。
核心思路：SWAP框架的核心思路是将对称性直接嵌入到世界模型和演员-评论家网络中，从而减少冗余学习并提高模型的效率。通过这种设计，模型能够更好地捕捉几何规律，提升其在复杂环境中的表现。
技术框架：SWAP的整体架构包括世界模型模块和演员-评论家网络模块。世界模型负责环境的建模与预测，而演员-评论家网络则用于决策与控制。两者通过对称性约束进行连接，形成一个端到端的学习系统。
关键创新：SWAP的主要创新在于引入对称等变性作为结构先验，这一设计与传统的纯数据驱动方法本质上不同，能够有效减少学习负担并提升模型的泛化能力。
关键设计：在模型设计中，采用了特定的损失函数来强化对称性约束，同时在网络结构上进行了优化，以确保对称性在学习过程中的有效嵌入。
🖼️ 关键图片
📊 实验亮点
实验结果显示，SWAP框架使机器人成功跨越2.13米的间隙和攀爬1.63米的平台，打破了四足跑酷的记录。此外，该框架在未见的镜像地形上展现出强大的几何泛化能力，并在多样的户外环境中实现了卓越的零样本迁移能力，表明其在实际应用中的潜力。
🎯 应用场景
该研究的潜在应用领域包括机器人运动控制、自动化物流、救援机器人等。通过提升机器人在复杂环境中的运动能力，SWAP框架可以在实际应用中显著提高机器人的灵活性和适应性，推动智能机器人技术的发展。
📄 摘要（原文）
While latent world models enable the proactive predictions required for extreme parkour, their purely data-driven nature forces them to redundantly encode left-right symmetric interactions as independent patterns. This inflates the learning burden and hinders the capture of geometric regularities, restricting the latent space's efficiency for downstream policies. To address this, we propose SWAP, an end-to-end equivariant symmetric world model. This framework embeds symmetry directly into both the world model and the actor-critic networks. In real-world tests, the robot leaps across a 2.13 m gap and climbs a 1.63 m platform, breaking records for quadruped parkour. Furthermore, the framework exhibits robust geometric generalization to unseen mirrored terrains and exceptional zero-shot transferability across diverse outdoor environments. These results demonstrate that symmetry equivariance is an effective structural prior for pushing the physical boundaries of learned legged locomotion.