Gaitor：面向真实世界四足机器人运动的跨步态统一表征学习

基于摘要分析。本文研究四足机器人如何在多种步态之间连续转换，而不依赖离散技能切换或复杂的黑盒步态分布模型。Gaitor 学习跨步态的解耦二维表征，将其作为闭环控制的规划空间，并结合地形信息实现不平坦地面的通行。 核心机制是把不同步态映射到统一潜在空间，使足部摆动高度与长度能够独立调节。系统结合简单的地形编码与在潜在空间中运行的学习式规划器，接收期望步态类型、足部摆动特征等运动指令，同时根据地形作出响应。作者报告，步态转换过程中会出现训练中未见的新步态；这不等同于已经验证对任意步态或地形的泛化。 作者报告在仿真和真实 ANYmal C 平台上进行了评估，实现不同运动模式之间的连续混合。摘要未提供定量指标、训练数据规模、具体对照或评估划分，不能据此判断相对既有方法的性能增益。表征学习目标、解耦约束、规划器训练方式、闭环稳定性、实验协议、消融及统计信息尚未验证。作者将其定位为据其所知首个在真实四足机器人上实现多步态统一可解释潜在空间与连续混合的工作，该优先性声明尚未独立核实。 平台推测（待验证）：其潜在启发是将可独立调节的控制因素组织为低维连续空间，而非直接提供 EEG 解码方法。若用于 BCI 连续控制，可能复用潜在空间规划思路，但需要另建 EEG 到控制意图的映射，并核对机器人运动数据所需的结构、监督和覆盖规模能否获得。EEG 低信噪比、被试与通道差异及小样本条件可能破坏因素解耦与控制稳定性。可检验的假设是：在相同 EEG 数据划分与控制目标下，低维控制表征能否比直接预测控制量更稳定；初步实验可限定为被试内双连续控制量预测，核对预测误差及两因素串扰，而不预设跨被试收益。已有 EEG 相关工作尚未检索确认。