内容摘要
复杂地形行走需要提前感知障碍，但深度信号可能局部受损或间歇失效。作者提出CAP，针对部分受损深度中仍可恢复的地形信息，以双通路连续融合替代感知与盲行子策略之间的离散切换。
CAP采用单阶段训练：世界模型编码器接收受损深度，以独立的干净、姿态稳定深度为重建目标；本体感知变分编码器同时提供不依赖深度的身体状态信息。训练将输入端的深度噪声课程与策略端的世界模型特征丢弃配合，覆盖不同感知质量。世界模型用于去噪感知，不生成供策略优化的想象轨迹。
作者报告，仿真中CAP在Clean、Noisy条件下的平均成功率分别为99.6%、97.9%；这里Noisy仍保留部分有效深度，并非完全失明。仿真训练策略直接部署到宇树G1后，在楼梯、平台、沟隙及混合地形的干净与部分遮挡条件下合计完成39/40次试验。但完全遮挡时，楼梯成功5/5，平台、沟隙和混合地形各为0/5，表明连续退化不等于失去视觉后仍能跨越所有障碍。
点评
这项作者研究展示了世界模型作为去噪感知模块、与本体感知持续协同的运动控制路径，而非依靠想象轨迹优化策略。
证据来自作者论文，并非独立复现；真机每个条件—地形单元仅5次试验。完全失去感知时仍受地形限制，大幅分布外几何误差与失步后的安全恢复尚未解决。
版本与核查范围
版本 2609.11553v1 · 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.p1.1；#S1.p3.1；#S1.p3.1；#S3.SS2.SSS0.Px1.p1.1；#S1.p3.1；#A1.SS2.p1.1；#S4.SS2.p1.1；#S4.SS4.p1.1；#S1.I1.i3.p1.1；figcaption[74]；#S5.SS0.SSS0.Px2.p1.1