内容摘要
分层控制里，高层策略给任务级目标，低层控制器做快速反馈执行。人形机器人搬运时，打滑或意外接触要求它减速或先恢复平衡，而高层目标不编码这些快速物理变化，于是匹配目标的低层指令物理上仍可能不可行。作者把这种固定映射的失效形式化为策略编排：运行时同时决定用哪个低层策略、给它什么目标。
论文提出 EPO（基于能量的策略编排），插在高层策略与一组冻结低层策略之间：对每个策略单独学一个复合能量（可行性概率与目标一致性概率的负对数之和），能量越低表示越可行、目标实现越准。运行时先用梯度下降把各策略的目标微调到更低能量，再执行能量最低的"策略–目标"对；目标微调 10 Hz、策略选择 50 Hz。新增策略只需训练自己的能量模型，不必重训已有策略或集中式调度器——加一个策略约 30 GPU 分钟，混合专家（MoE）门控每次变更需重训 40–60 GPU 分钟。
在 Unitree G1 的 Isaac Lab 仿真中，EPO-M2 把归一化跟踪误差从 0.568 降到 0.542（对比鲁棒型策略），加权存活率 96.8% 对 97.7%；站立操作下 EPO-M4 误差 0.420 对 MoE-M4 的 0.461，每回合切换 2.08 次、MoE-M4 为 15.46 次。消融显示鲁棒性主要来自可行性项：只留一致性项时推挤存活率从 96.4% 掉到 78.9%（移动操作）、95.3% 掉到 58.6%（站立）；去掉目标微调可把编排频率上限从 83 Hz 提到 615 Hz，代价是干净跟踪误差增加约 1.5%。
真机上冻结策略与能量模型直接部署到 Unitree G1，演示搬箱、被篮球击中后恢复、开门，未做微调。局限：跨策略比较依赖学到的能量模型，分布偏移或新策略校准不佳时可能失准，开销随候选策略数增长，且不替代动作级安全滤波；本次材料只有作者论文本身，未见独立复现。
点评
对机器人本体软件工程师，EPO 可作为高层规划与已有低层控制器之间的一层运行时适配：不改低层策略，只在运行时按状态挑策略并微调下发的低层目标；新增技能时只需为该策略补一个能量模型（约 30 GPU 分钟），而不是重训策略或维护一个需要随策略库变更重训的集中式调度器。它更适合已经训出多个互补控制器（精度型、鲁棒型、站立型）、但缺少统一取舍机制的团队。
证据仅为作者论文本身：仿真为主，真机只有三项演示，且站立轻推结果被作者自标为初步（preliminary）；本次未包含 arXiv 滚动摘要页与更新目录的后续变更，也未见独立复现。方法自身局限：跨策略比较依赖学到的能量模型，分布偏移、目标覆盖不足或新策略校准不佳时可能失准；运行开销随候选策略数量增长，目标微调占主要开销；只作用在策略–目标接口，不替代动作级安全滤波或形式化约束。
版本与核查范围
版本 2611.02546v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #S1.p2.1；#S1.p3.1；#S1.p4.1；#abstract1.1；#S3.SS3.SSS0.Px2.p1.1；#S4.SS2.SSS0.Px3.p1.1；#S4.SS2.SSS0.Px1.p1.1；#S4.SS3.SSS0.Px2.p1.1；#S4.SS3.SSS0.Px3.p1.1；#S4.SS5.p2.1；#S4.SS5.p2.1；#S5.p1.1