TAME-Nav 如何蒸馏混合专家实现敏捷机器人导航？

单一策略要兼顾相互冲突的导航需求

论文把局部导航建模为部分可观测决策问题：机器人接收 LiDAR 测量、相对目标、自身运动状态和上一条指令，输出机体坐标系下的纵向速度、横向速度和偏航角速度。由于运动与遮挡会隐藏部分场景，策略依赖多帧历史，而不是单帧快照。

作者认为，单一策略难以同时满足决策需求不同的场景：安全避障、通过窄通道、从凹形局部陷阱中脱困。论文提出两个问题：仅凭局部观测，一个策略能否协调这些技能；这种协调能否在未见过的组合场景和真实部署中成立。设计选择由此而来：不在部署时加入显式目标跟踪，而是把特权场景知识放进训练，再压缩成部署学生可以重建的潜表示。

教师看到学生拿不到的障碍轨迹

TAME-Nav 采用非对称师生框架，教师和学生各有独立编码器，共享同一个 Actor。教师把干净观测历史与因果维护的动态障碍轨迹结合起来。具体来说，它把十帧历史编码为 16 维时序潜表示；另外把最多五个最近的有效障碍编码为 8 维轨迹特征，包括机器人相对位置、机体坐标系下的障碍速度、外接半径、随轨迹年龄变化的启发式不确定性、归一化观测年龄和可见性。被遮挡的轨迹用最新速度估计外推，直到过期；论文明确说明不使用未来障碍状态。

这些轨迹特征经过共享 MLP 和自注意力，再由交叉注意力聚合：以当前观测生成的机器人条件查询去关注轨迹。得到的动态潜表示与时序潜表示通过归一化残差融合，融合系数是一个初始化为 1 的可学习标量。学生则只看到自己的 55 维观测——41 维 LiDAR 扫描加 14 个非 LiDAR 量，包括机体坐标系目标、速度、上一条指令和投影重力——并且必须从受损历史中推断出兼容的潜表示。

共享 Actor 把潜表示转成名义速度均值，再由一个可微的、基于 LiDAR 的安全修正调整，最后参数化高斯策略。一个特权 Critic 还能看到动态障碍的真实状态和一个静态代价标量，只在训练时辅助价值估计。部署时只保留学生编码器、共享 Actor 和 LiDAR 安全模块。

软路由让学生的容量随场景变化

学生的混合专家采用软路由而非硬选择：门控网络把路由条件映射为专家权重，经 softmax 归一化，各专家 MLP 的输出再被稠密加权组合。论文称这种结构为学习场景相关表示提供了结构基础，使一个可部署策略能够覆盖上述相互冲突的需求。

训练时，并行环境中的 rollout 被分成两部分：75% 由教师控制，25% 由学生控制。PPO 更新教师编码器、共享 Actor 和特权 Critic；学生编码器则在学生实际访问到的状态上，通过潜表示蒸馏向教师表示靠拢，教师表示带 stop-gradient。这个细节影响对结论的理解：学生被拉向教师的特权潜表示，但蒸馏目标不会被学生梯度改写。

覆盖来自程序化地图与非对称扰动

训练在一个自研的 GPU 向量化二维仿真器中进行。它用指令—响应模型更新位姿和速度，不模拟关节级动力学，但保留带阻挡和滑动的足印碰撞、速度与加速度限制、动态障碍，以及 LiDAR 和里程计观测。部署时由单独训练的运动控制器执行同样的速度指令，因此导航策略学的是速度指令层面的行为，而不是腿部控制。

训练集包含 600 张布局，均匀分布在六个场景族中：密集杂乱、多方向动态交叉、凹形陷阱、不规则窄走廊、遮挡下的动态交互和复合室内布局，其中门口通行并入室内布局。程序化生成会改变障碍几何、间隙、遮挡和动态运动，每张地图还提供经过预校验的起点—目标配置和初始朝向池。场景标签、全局地图和参考路径都不进入策略输入。

非对称也体现在随机化上：学生收到延迟且受损的观测，教师和 Critic 则保留对底层仿真状态的干净观测。论文称之为面向部署的非对称域随机化，并把它与仿真到真实的迁移联系起来，因为传感器退化和速度响应不确定性只注入学生一侧。

同等训练预算下成功率提升超过 25 个百分点

论文报告，在分布内和未见过的组合场景中，TAME-Nav 的成功率高于、碰撞率低于、导航得分高于代表性基线。比较对象是同等训练预算下的 SEA-Nav、NavRL 和 DRL-DCLP；分布内最突出的数字是成功率比最强基线高出 25 个百分点以上。论文还称这一优势在未见过的顺序场景和多房间场景中依然保持。

这些是汇总层面的基准结论，证据包没有按场景族或按基线逐项拆分每个指标。因此，成功率提升、碰撞率下降和导航得分提高应被视为三项不同的报告比较，不能互相替代；也不应把 25 个百分点套用到未见过的组合场景，论文只说那里优势保持，没有给出具体幅度。

真实试验区分避碰与脱困

真实实验使用 Unitree Go2，搭载 Livox MID-360 LiDAR 和板载 NVIDIA Jetson Orin，导航策略以 50 Hz 输出速度指令，LiDAR 以 10 Hz 更新。在局部陷阱场景中，凹形障碍挡住直达路线，每种方法跑十次试验；一次不撞倒障碍的轻微碰撞被允许，第二次碰撞、撞倒障碍的碰撞或持续困住无进展都算失败。TAME-Nav 完成全部十次试验，仅有 1 次轻微碰撞。NavRL 成功率为 50%，每次试验平均 0.8 次碰撞，部分脱困来自大幅振荡把机器人重新朝向可通行方向；其余基线全部失败。

更有启发性的对比是 SEA-Nav：它避免了碰撞，却一直困在陷阱里。这是论文最清楚的证据，说明即时避碰和有效脱困是两种不同能力，一个策略可以在安全性上表现不错，却完不成任务。作者还指出，这些基线同样在我们的多场景地图上训练过，但在这一真实场景中仍未实现可靠脱困。

在一条蜿蜒窄通道中，障碍会在中途和接近目标处突然进入路径。TAME-Nav 完成全部十次试验且无碰撞，成功的基线则反复发生接触。与陷阱试验合计，两类真实场景共 20 次试验全部完成，总计 1 次轻微接触。范围是一个四足平台上的两个构建场景，因此结果支持的是这些设定下的稳健性，而不是对所有部署环境的普遍结论。

可迁移的是特权信号本身

把结果放在一起看，重点不是笼统肯定师生训练，而是一个具体取舍。教师的优势不在部署时多出感知硬件，而在训练时拥有因果障碍轨迹和干净状态；学生的优势在于时序 Soft-MoE 编码器，能从受损的机载历史中重建兼容潜表示。分布内成功率提升 25 个百分点以上，以及真机 20 次试验全部完成，是这一特定特权信号能迁移到可部署策略的证据。

边界同样具体。基准增益是在同等预算下对三个具名基线报告的；真机证据覆盖单个四足平台上的局部陷阱脱困和带突发动态障碍的窄通道导航。在这一范围内，论文最具决策价值的区分是避免接触与完成任务之间的差别：SEA-Nav 无碰撞却被困住，说明只看碰撞的评估会让一个导航器显得合格，而它恰恰在 TAME-Nav 要解决的场景中失败。

本文引用的文献