未训练
官方步态基线左侧实测
实际盘速—
距中心—
脚部支撑—
本侧仿真时间—
—
未经过本项平衡任务训练。
语音平衡教练
圆盘在转，小鸭该怎么站？用声音发起挑战，再走进它的训练过程：观察、尝试、评分、更新。
直接看训练曲线 ↓正在自动准备圆盘与实际物理状态…
第一关：全程站稳并完成停盘，允许随盘转动，不要求回中心。
第二关用圆盘外的地面标记指示目标朝向。
训练后
PPO＋官方步态右侧实测
实际盘速—
距中心—
脚部支撑—
本侧仿真时间—
—
正在自动准备场景。训练记录可以直接查看。
同关卡、同种子、同初态，一次点击同时开始。
左侧“未训练”指未经过本项平衡任务训练，两侧都使用已训练的官方步态。同一目标节奏下，实际盘速会因受力略有差异；一侧失败后先显示真实跌落过程，再定格；另一侧继续。判分后结束策略控制，后续展示不计成绩。拖动或缩放任意一侧，两侧视角同步。
它是怎样学会的？
纯 CPU 采样与训练。每个点都来自一次真实记录；成功率来自独立验证回合，不能用奖励分数代替。
此处保留原训练标准：13秒回合，三关均要求结尾在中心8 cm内连续保持1秒，第2、3关还要求朝向达标率≥85%。这是训练记录，不能当作上方按关卡目标验收的演示通关率。
尚无训练记录耗时待测
预定门槛：连续两次验证至少 18/20 成功。最终另测未参与选择的测试种子。未达到门槛时明确显示“未收敛”。
成功率：真的完成挑战了吗？
回报：它在优化什么？
优化过程
身体与奖励
实验身份与最终测试（可核对原始数据）
尚无记录查看本次原始 JSON ↗
把函数拆开看
点选一个项，查看含义、系数和真实数值。奖励决定学习方向；验收规则独立于奖励。
① 环境给分：rₜ = 各项之和
数值随最新训练采样更新，也可指向曲线上的历史采样点。
② PPO 更新：让好动作更可能发生，但别一次改太多
L = −E[min(ρₜ Âₜ, clip(ρₜ, 1−ε, 1+ε) Âₜ)]
+ cᵥ Lvalue − cₑ H
+ cᵥ Lvalue − cₑ H
ρₜ = π新(aₜ | sₜ) / π采样时(aₜ | sₜ)。Âₜ 表示这次动作比原本预计好多少；H 是动作分布的熵；Lvalue 是回报预测误差。优化器最小化 L。概率比裁剪不是对所有网络权重的硬约束。
动手试试裁剪（教学算例，不是训练样本）
训练参数：每项是什么、这次用了多少
| 参数 | 说明 | 本次值 |
|---|
③ 学习的边界：PPO 调节力度，反馈函数给出方向
第一版为 CPU 教学选择了明确的工程先验：目标方向指向中心，转向补偿抵消圆盘运动。PPO 学习三项力度，不是从零发现这些反馈公式，也不是直接输出关节扭矩。第 1 关关闭朝向补偿，允许随盘转动。
gᵢ = max(aᵢ, 0)，aᵢ ∈ [−1, 1]
v前后 = clip(3 g₁ e前后, ±0.18 m/s)
v横移 = clip(3 g₂ e横移, ±0.12 m/s)
ω转向 = clip(−g₃ (4ψ + 1.5ω盘), ±1.8 rad/s)
v前后 = clip(3 g₁ e前后, ±0.18 m/s)
v横移 = clip(3 g₂ e横移, ±0.12 m/s)
ω转向 = clip(−g₃ (4ψ + 1.5ω盘), ±1.8 rad/s)
e 是按身体朝向表示的水平回中心位移（m）；3 s⁻¹ 是最大回中心增益；ψ 是朝向误差（rad），4 s⁻¹ 是最大朝向增益；ω盘为实际自转关节速度（rad/s），1.5 是最大前馈补偿比例。另外每个任务步限制指令变化量：0.08 m/s、0.06 m/s、0.6 rad/s。所有基线与 PPO 使用相同物理限制。
右侧策略的 25 个输入与 3 个输出（实时数值）
输入来自仿真真值，未使用摄像头视觉。任务 PPO 以 10 Hz 输出反馈力度，工程反馈函数将其转换为有界速度指令；冻结的官方步态以 50 Hz 输出 14 个关节的 PD 目标；MuJoCo 以 200 Hz 计算接触。
| 输入 | 说明 | 最新观测 |
|---|
等待物理场景
怎样才算成功？
三关共同要求：完整经历设定时长，无跌倒、躯干触盘、脚部越界或连续超过0.4秒无支撑；结尾盘速小于0.25 RPM、两倾角均小于1°。第1关只需站稳；第2关还要求至少85%的控制步朝向误差小于25°，不要求回中心；第3关要求结尾躯干投影距盘心小于8 cm，并已连续保持至少1秒，不要求固定朝向。停盘按钮属于人为干预，本轮不计成功。左右采用同样规则。下方训练回报与成功率保留原始训练标准。