方法总览

DAWN：用深度去噪世界模型做抗噪四足跑酷

作者

快速导读：DAWN 在世界模型训练中加入噪声到干净的重建与对比对齐，使四足策略无需手工滤波即可从原始深度完成跑酷。

视觉四足跑酷越来越猛，但多数方法训练时假设干净深度，部署再靠一手调参的后处理滤波；滤波参数很少公开，换光照与材质就失效。韩国技术教育大学团队提出 DAWN（Denoising and Alignment in World models for Noise-robustness，arXiv:2609.29092，IROS 2026）：把抗噪直接写进世界模型，而不是部署时再拧滤波器。

做法只有两处训练期改动：编码器吃噪声深度、解码器仍重建干净深度；再用对比学习对齐干净/噪声潜变量。推理结构与 WMP 相同，无额外开销，也不绑定某一噪声模型。零样本上 Unitree Go1，关闭 RealSense 内置滤波，室内外可过最高约 18 cm 楼梯、70 cm 沟缝、45 cm 台阶。项目页 https://dawn-parkour.github.io/ 。本文聚焦深度感知抗噪，不是更大动作技能本身的新控制器。

英文题目：DAWN: Noise-Robust Quadruped Parkour via Depth-Denoising World Models

论文出处：arXiv 每日论文精选 · arXiv:2609.29092

原始论文：PDF / 论文页面

这篇论文解决什么问题？

盲策略能走坡和缓楼梯，但沟缝与高台阶需要提前看见几何；深度相机因此成为跑酷主力传感器（第1–2页）。

现有深度跑酷多在干净深度上训练，部署依赖 librealsense2 等多滤波器与十数个耦合参数，场景一变就要重调且难复现。

输入级域随机、手工增强或独立重建模块有帮助，但常在学习管线外；本体感觉去噪已有世界模型先例，深度噪声却是空间结构化、随距离与边缘变化的另一体制。

目标：在 RSSM 训练信号里内建去噪与对齐，部署只吃原始深度。

核心创新

  • 把深度抗噪直接写入世界模型，取消部署期场景相关滤波调参。
  • 输入-目标错配的去噪重建，迫使编码器丢噪声留几何。
  • 对比潜变量对齐与去噪互补，组合增益超加性。
  • Unitree Go1 零样本室内外跑酷，只靠学到的抗噪表征。

方法概览

RSSM 编码器输入噪声深度、解码重建干净深度；SimCLR 式对比对齐干净/噪声潜变量；两改动仅训练期，推理与 WMP 同构。

  • 基座：沿用 Lai 等 WMP 的 RSSM（序列模型 ht、编码器 zt、动力学先验、解码器）+ PPO 策略读 ht；观测含深度与本体感觉，深度每 k=5 步更新（第3页）。
  • 去噪重建：训练时编码器输入噪声观测 x^n_t，解码目标仍为干净 x^c_t，把标准重建改成 L_denoise；在信息瓶颈与 KL 约束下，编码器倾向丢掉噪声、保留地形几何（式7–8）。
  • 对比对齐：同一时刻干净/噪声后验经共享投影头 gψ 得到 v^c、v^n，按 SimCLR NT-Xent 拉近同场景、推开异场景；投影头仅训练期使用，部署去掉（式9）。
  • 总损失 L_DAWN = L_denoise + λ L_contrast；λ=0 且改回干净输入即退回 WMP。架构与策略训练不变，只改训练信号（Table I）。
  • 噪声模型（非部署调参对象）：高斯传感器噪声、边缘丢点、远距粒子噪声，用于仿真训练；作者强调方法不绑定特定噪声分布。

逐图理解论文

方法总览

方法总览
Fig. 1: Overview of the DAWN framework. DAWN’s two modifications are highlighted in green: the denoising reconstruction loss Ldenoise between the decoder output and the clean depth target, and the contrastive loss Lcontrast applied to the projection head (MLP).

Fig.1 框架：训练期共享编码器分别吃干净/噪声深度，L_denoise 让噪声支路重建干净深度，L_contrast 经 MLP 投影对齐潜变量；部署只保留噪声输入→编码器→策略，无投影头与滤波。适合做方法主图与特色图。

互补机制

互补机制
Fig. 2: Simulation analysis. Ablation study showing average SR over Stairs/Gap/Step by difficulty level (noise ×1.0), mean of 3 seeds (left). Noise robustness analysis showing average SR over Stairs/Gap/Step at the highest difficulty as the noise scale increases from ×1.0 to ×2.0, averaged over 3 seeds (center). t-SNE visualization of encoder latent states; colors indicate terrain type, shading indicates input condition (filled: clean, open: noisy) (right).

Fig.2 三合一：左为难度升高时 Stair/Gap/Step 平均 SR 消融；中为最高难度下噪声尺度扫描；右为潜变量 t-SNE（地形着色、实心干净/空心噪声）。解释互补增益与 OOD 抗噪。

关键证据

关键证据
Fig. 5: Real-world experimental results. Three methods (DAWN, WMP w/ N, WMP) × three terrains (Stairs, Gap, Step) × two environments (Indoor, Outdoor). SR (%) over 10 trials per difficulty level.

Fig.5 真机：三方法×三地形×室内外，横轴难度厘米、纵轴 SR。室内接近天花板；室外高难度 DAWN 明显领先，支撑“关滤波也能跑”的部署叙事。

实验如何设计？

  • 仿真：IsaacLab，4096 并行环境，50 Hz；地形含 Slope/Stair/Gap/Step 五级难度；3 种子×每条件 100 episode，报 SR 与速度跟踪误差 TE。
  • 对照：Blind、EP、WMP、WMP w/ N（噪声训练）、DAWN 及去对比/去重建消融、干净深度 Oracle（Table II–III）。
  • 噪声尺度扫描 ×1.0→×2.0（Table IV）；t-SNE 看潜空间；Fig.3 验证仿真噪声像真实 D435i。
  • 真机：Unitree Go1 + D435i + Jetson NX，关闭全部内置滤波，室内外各 10 次/难度零样本评测（Fig.5–6）。

关键结果与论文证据

  • ×1.0 噪声下，Stair/Gap/Step 平均 SR：DAWN 约 96.9%，相对 WMP 与 Oracle 之间缺口收回约 77%；各地形 SR 例如 Stair 96.6%、Gap 97.2%、Step 97.0%（Table II）。
  • 消融在最高难度：完整 DAWN 88.2% SR；仅去噪 +5.7 p.p.、仅对比 +4.6 p.p.、两者合计 +11.5 p.p.，呈超加性互补（Fig.2 左）。
  • OOD 噪声扫描：×1.0→×2.0 时 DAWN 仅掉 6.5 p.p.，干净训练 WMP 掉 17.5；差距从 14.0 扩到 24.9 p.p.（Fig.2 中）。
  • t-SNE：同地形干净/噪声点重叠、异地形分离，说明潜空间学到噪声不变且可分地形（Fig.2 右）。
  • 真机：室内三者接近；室外 Stair 18 cm 上 DAWN 80% vs WMP w/ N 70% / WMP 60%；Gap 70 cm 为 60/40/30；Step 45 cm 为 70/50/50（Fig.5）。解码器可从原始 D435i 重建干净几何（Fig.4）。

阅读时需要注意

  • 当前噪声模型主要针对 D435i 特性，换传感器需扩展（第8页）。
  • 主贡献在感知表征，不宣称刷新最大跨越/跳跃的动作极限。
  • 室外优势更明显，室内高难度三者接近，阅读时勿夸大所有场景的绝对差距。
  • 仿真噪声再像，仍是模型假设；极端光照/透明/反光表面未系统覆盖。

关联工作

  • 相对 WMP：同架构，改训练信号去掉部署滤波依赖。
  • 相对本体感觉去噪世界模型：把思路迁到空间结构化深度噪声。
  • 相对输入增强/独立重建模块：强调端到端进 RSSM，推理零额外模块。

发表评论