Perceptive Humanoid Parkour Chaining Dynamic Human Skills via Motion Matching

Title: Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching
Authors: Zhen Wu, Xiaoyu Huang, Lujie Yang, Yuanhang Zhang, Koushil Sreenath, Xi Chen, Pieter Abbeel, Rocky Duan
arXiv: https://arxiv.org/abs/2602.15827

Problem framing

现有人形 locomotion 在“稳定行走”上进展快，但在高动态、长时程、感知驱动的 parkour 场景仍存在明显能力断层。核心痛点是技能切换不连续、感知与运动策略耦合不足。

Core method

PHP 采用模块化框架：

• 动态技能库（跳跃、跨越、落地缓冲等）来自人类运动先验；
• motion matching 在在线阶段做技能拼接，保证轨迹连续性；
• 感知模块提供地形/障碍条件，驱动技能选择。

可抽象为：

$$k_t=\arg \underset{k}{\min }d(\varphi (o_t),{\psi }_k)+\beta c(k_{t-1},k)$$

其中第一项衡量环境匹配，第二项约束技能切换平滑性。

Experiment reading guide

重点看：

1. 障碍课程长度增加时成功率衰减曲线；
2. 与端到端 locomotion policy 的恢复能力对比；
3. 感知噪声或视觉延迟下的鲁棒性。

Limitations

• 对高质量运动先验依赖较强；
• 模块间接口调参复杂；
• 尚未充分评估极端材料/湿滑地面等 OOD 条件。

Future work

可将技能选择与模型预测控制统一为 risk-aware objective，并融合接触估计提升高冲击动作稳定性。

Replication angle

先在固定障碍模板下复现实验，再引入随机地形扰动，观察 motion matching 的切换稳定区间。

Figure links

• https://arxiv.org/html/2602.15827v1/x2.png
• https://arxiv.org/html/2602.15827v1/x4.png

Graph: Paper Node 2602.15827