---
license: apache-2.0
tags:
  - robotics
  - reinforcement-learning
  - isaac-lab
  - isaac-sim
  - quadruped
  - atec2026
  - locomotion
pipeline_tag: reinforcement-learning
---

# ATEC2026 B2Piper L0 Locomotion Baseline / Option-MoE

这是 Datawhale Every Embodied 教程中整理的 ATEC2026 线上赛 L0「机器人徒步」B2Piper 复现与赛后复盘模型包。

它用于教学、复现和工程分析，不是 ATEC2026 冠军方案，也不保证满分。

## 文件

```text
policy.pt          TorchScript locomotion actor, input 45, output 12
solution.py        ATEC 提交入口
solution_rl.py     B2Piper 速度命令 schedule / rough option-MoE 逻辑
requirements.txt   示例为空，依赖官方评测镜像
code/              教程 README 和代码说明备份
```

## 使用方式

在 ATEC2026 官方源码提交目录中保持如下结构：

```text
solution.py
solution_rl.py
policy.pt
requirements.txt
```

本地 smoke：

```bash
python - <<'PY'
import torch
m = torch.jit.load("policy.pt", map_location="cpu")
print(m(torch.zeros(1, 45)).shape)
PY
```

期望输出：

```text
torch.Size([1, 12])
```

## 复盘结论

- 官方 baseline 可以跑通提交链路，但不能直接冲满分。
- 通用 RobotLab/RoboGauge/SAC/PPO rough locomotion 方案不能直接替换 ATEC B2Piper 提交权重。
- 更稳妥的路线是保护已有 gait prior，再做 TaskA 本地评估、rough/slope/stairs 分地形诊断、high-level tracker 和 option gate。
- 本模型包中的 `solution_rl.py` 包含一个 rough option-MoE 工程尝试：在 rough 段使用谨慎推进和 progress-gated escape command。

完整中文教程见 Every Embodied 仓库：

https://github.com/datawhalechina/every-embodied/tree/main/15-Challenge%E7%AB%9E%E8%B5%9B/ATEC2026

## 免责声明

本仓库仅用于学习与复现。请遵守 ATEC2026 赛事规则、代码审查要求和开源许可证要求。若用于正式比赛提交，请确认该比赛阶段允许使用公开模型与外部代码。