在四足机器人强化学习（如 Walk These Ways 代码库）的中间任务逻辑里，最关键的一环之一就是步态命令的处理。

很多人初看代码时会存在几个误区，比如认为 p/o/b 是策略网络直接输出的步态参数，或者以为 obs_buf 里塞入了 sin/cos 成对编码，甚至以为接触状态是靠 sin 的正负号硬切出来的。实际上，代码背后的核心思想并不是“让网络直接学会四条腿什么时候抬落”，而是：

先从 curriculum 中采样连续 gait 参数，再把这些参数整理到若干结构化步态家族附近，最后把整理后的相位节律显式送进 observation 和 reward。

这段逻辑主要由两个核心函数完成：

• _resample_commands()：采样并整理 gait command。
• _step_contact_targets()：把 gait command 推进成四条腿的相位、时钟输入和目标接触状态。

下面，我们将抽丝剥茧，详细梳理这套优雅的步态参数化机制。

---

一、先有 Gait Command，再有四腿相位

与其让策略直接输出 “FL（左前腿）现在抬腿、FR（右前腿）现在落地”这种离散指令，环境采用了一种更平滑的表示方式：用周期相位来描述每条腿在一个步态循环中走到了哪一段。

我们可以先把一条腿的迈步想成一个长度为 1 的圆环时间轴：

• 0 ~ 1 表示一个完整的步态周期。
• 走到 1 之后并不会结束，而是回到 0 重新开始。
• 所以，它天然适合用 “相位” 来表示，而不是用一次性的时间戳。

在这个框架里，环境先维护了一个统一的“全局节拍器” g。
它不是某条腿自己的状态，而是整个机器人当前步态周期推进到了哪里：

$$g_{t+1}=(g_t+f\cdot \Delta t)\mathrm{mod}1$$

在这里：

• f 决定节拍走得多快，也就是步频。
• Δt 是每一步环境推进的时间。
• mod 1 表示走完一整圈后重新回到起点（即数值被限制在 0 到 1 之间循环）

如果只有这个全局时钟 g，那么四条腿会完全同步，因为大家都跟着同一个节拍走。

但真实步态的关键恰恰不在“节拍本身”，而在于：四条腿相对于这个节拍器各自提前多少、滞后多少。

这就是 p、o、b 出现的原因。它们不是绝对时间，而是相位偏移量。环境通过给不同腿叠加不同的偏移，来制造“哪条腿先动、哪条腿后动”的关系。

在默认 pacing_offset = False 的定义下：

$${\varphi }_{FL}=(g+p+o+b)\mathrm{mod}1$$
$${\varphi }_{FR}=(g+o)\mathrm{mod}1$$
$${\varphi }_{RL}=(g+b)\mathrm{mod}1$$
$${\varphi }_{RR}=(g+p)\mathrm{mod}1$$

这里的理解重点不是死记哪条腿加了哪几个量，而是看出这个结构：

1. g 是四条腿共享的全局节拍。
2. p / o / b 是人为施加的相对时差。
3. 每条腿都在“同一个周期”里，但各自站在这个周期上的不同位置。

所以，“相位”可以直观地理解成：一条腿在当前步态循环中的进度条。

• 比如两条腿的相位如果相差 0.5，就意味着它们正好错开半个周期，一条腿在前半程时，另一条腿在后半程。
• 如果相位差接近 0，那它们就几乎同步起落。

这样一来，环境要表达 Trot（对角步）、Pace（溜步）、Bound（跳步），本质上就不再是硬编码“第几条腿现在接触”，而是只需要规定：四条腿之间应该保持什么样的相位关系。

这也解释了为什么后面的代码操作都在改 p / o / b，而不是直接改“接触标签”。因为一旦四条腿的相位关系被定下来，后续的时钟输入（Clock Input）、目标接触状态、摆动期奖励，都会顺着这个节律自然生成！

---

二、为什么要把连续参数“投影”到标准步态附近？

如果完全让 p、o、b 在 [0,1) 内自由漂移，四条腿之间就可能形成大量模糊、难学、甚至不稳定的相位组合。为此，_resample_commands() 在采样完连续 gait 参数后，并不会直接原样使用它们，而是通过一组简单但非常有效的映射，把这些参数投影到若干更稳定的结构附近。具体来说，
x' = x/2 + 0.25 会把相位差限制在靠近半周期差的区间内，即远离同相区域；
而 x' = (x/2 - 0.25) mod 1 则会把相位差压到周期意义下接近 0 的邻域，也就是趋向同步。于是，这段代码并不是在凭空硬编码几种 gait，而是在把连续采样得到的 gait 参数约束到“接近同相”或“接近反相”的可学习步态结构附近，从而显著降低策略搜索空间的复杂度。

如果 x ∈ [0,1)，那么先看不取模之前：
x/2−0.25∈[−0.25,0.25)
这时左半段是负数，所以再做 mod 1 之后：
[-0.25, 0) 会被折回到 [0.75, 1)
[0, 0.25) 保持不变
所以最终范围就是：
x ′∈[0,0.25)∪[0.75,1)
这也正是为什么说它把相位“推向同相区域”：
在周期变量里，0 和 1 是同一个位置
所以 [0,0.25) 和 [0.75,1) 实际上都是“靠近 0 相位”的邻域

---

三、四种经典步态在代码里是如何整理出来的？

在 gaitwise_curricula=True 时，环境会先把 env 分配到 pronk / trot / pace / bound 四类，再对参数做特定投影：

1. Pronk (跳跃)

$$p^{\prime }=(p/2-0.25)\mathrm{mod}1,o^{\prime }=(o/2-0.25)\mathrm{mod}1,b^{\prime }=(b/2-0.25)\mathrm{mod}1$$
三项都被压向“同相”，四腿大体同步。理想化情况下：
$${\varphi }_{FL}\approx {\varphi }_{FR}\approx {\varphi }_{RL}\approx {\varphi }_{RR}\approx g$$
表现为四腿一起起落。

2. Trot (小跑)

$$p^{\prime }=p/2+0.25,o^{\prime }=0,b^{\prime }=0$$
于是：
$${\varphi }_{FL}=g+p^{\prime },{\varphi }_{FR}=g,{\varphi }_{RL}=g,{\varphi }_{RR}=g+p^{\prime }$$
当 $p^{\prime }\approx 0.5$ 时，就是对角腿两两同步、两组相差半周期。

3. Pace (溜步)

$$p^{\prime }=0,o^{\prime }=o/2+0.25,b^{\prime }=0$$
于是：
$${\varphi }_{FL}=g+o^{\prime },{\varphi }_{FR}=g+o^{\prime },{\varphi }_{RL}=g,{\varphi }_{RR}=g$$
在默认 pacing_offset=False 公式下，这更像“前腿一组、后腿一组”相差半周期。

4. Bound (跃步)

$$p^{\prime }=0,o^{\prime }=0,b^{\prime }=b/2+0.25$$
于是：
$${\varphi }_{FL}=g+b^{\prime },{\varphi }_{FR}=g,{\varphi }_{RL}=g+b^{\prime },{\varphi }_{RR}=g$$
在默认公式下，这更像“左腿一组、右腿一组”相差半周期。

💡 核心提示： 如果在代码中开启 pacing_offset=True，FR 和 RL 的相位公式会发生交换。此时 pace 会更接近标准的“同侧同步”，而 bound 会更接近“前后同步”。

---

四、从相位到 Observation：给策略喂多组正弦时钟

相位 $\varphi$ 本身是模 1 的周期变量，在 $0.99\to 0.00$ 处会发生物理突变。为了平滑地传递这个信息，代码并没有直接喂入 $\varphi$，而是构造了多组正弦时钟：

$${\text{clock}}_i=\sin (2\pi {\varphi }_i)$$
$${\text{doubletime}}_i=\sin (4\pi {\varphi }_i)$$
$${\text{halftime}}_i=\sin (\pi {\varphi }_i)$$

需要特别注意的两点：

1. 代码里默认是 sin-only，并不是有些框架里常用的 sin/cos 成对编码。
2. 真正进入普通 observation 的默认只有 clock_inputs（即 $\sin (2\pi \varphi )$ 这一组）。如果需要，可以显式打开 observe_clock_inputs 把其他项拼入 obs_buf。

更准确地说：策略看到的是环境整理好的“节拍器信号”，而不是让神经网络自己从原始接触中去盲猜周期。

---

五、从相位到目标接触：Duration 重映射与平滑窗口

这是最容易写错、也最容易被误解的一步。

很多直觉化讲法会说：“当 $\sin (2\pi \varphi )>0$ 时要求落地，否则要求摆动。”但这份代码处理得更加精细：它先根据 duration（$d$）把原始相位重新拉伸。

• 落在 stance (支撑) 区间 ($\varphi <d$)：
  $${\varphi }^{\prime }=\varphi \cdot \frac{0.5}{d}$$
• 落在 swing (摆动) 区间 ($\varphi >d$)：
  $${\varphi }^{\prime }=0.5+(\varphi -d)\cdot \frac{0.5}{1-d}$$

这意味着，不管真实的 stance 占整个周期的比例是多少，代码都会把 stance 压到 $[0,0.5)$，把 swing 压到 $[0.5,1)$。

完成重映射后，desired_contact_states 也不是硬性的 0/1，而是用正态分布 CDF 拼出了一个平滑窗口。直观理解就是：

• 相位接近 stance 中心时，目标接触值接近 1。
• 相位接近 swing 中心时，目标接触值接近 0。
• 在边界附近平滑过渡，避免突然跳变。

因此，desired_contact_states 的物理含义其实是：“这一刻这条腿应该有多大程度处于接触状态”，而不是粗暴的“非接触即接触”。

---

六、Reward：围绕目标状态的“软塑形”

接触目标生成之后，Reward 会以此来做塑形（Shaped Reward），但绝不是简单的“接触错了就狠狠扣分”。与 gait 接触最相关的三项奖励：

• tracking_contacts_shaped_force：当某条腿本来不该接触时，如果接触力还很大，受罚。
• tracking_contacts_shaped_vel：当某条腿本来应该接触时，如果脚端速度还很大，受罚。
• feet_clearance_cmd_linear：在摆动相，鼓励脚的高度接近期望摆动高度。这里显式使用了 $(1-\text{desired\_contact\_states})$ 来强调 swing 期的权重。

从训练机制看，环境并未“硬编码”步态，而是：提供一个平滑的参考节律，再用 reward 把策略往这个节律附近推。

---

七、Curriculum 与过滤机制：给策略“加扶手”

为了防止策略在高维 gait 空间里彻底迷失，代码还额外包了几层限制：

• gaitwise_curricula：将 env 分配到四大类步态，并投影到对应结构附近。
• exclusive_phase_offset：只允许 p / o / b 里的一项起作用，其余两项强制清零。等同于强迫每次只沿一种主导相位关系变化。
• balance_gait_distribution：按固定比例分配环境，避免某一类 gait 在训练中“赢家通吃”导致占比失衡。
• binary_phases：将相位差强制量化为同相/反相关系：
  $$x=\frac{\mathrm{round}(2x)}{2}\mathrm{mod}1$$

此外，对平面速度命令还加了一个非常实用的小 Deadband（死区）过滤：
$$(v_x,v_y)\leftarrow 0,\text{if }\sqrt{v_x^2+v_y^2}\le 0.2$$
这完美避免了“几乎静止但又不完全为零”的极小速度命令让机器人原地鬼畜抖腿。

---

总结

这套步态参数化机制，并不是让神经网络用纯黑盒的方式自己去摸索“四条腿各自什么时候抬和落”。它呈现的是一套非常典型的现代 Locomotion 环境设计范式：

1. 环境先采样速度和连续 gait command。
2. 通过巧妙的数学变换，把参数整理到稳定的结构化步态附近。
3. 利用全局时钟推进四条腿的相位。
4. 将相位转换为拉伸重映射后的平滑时钟输入和软性接触目标。
5. 最终，通过 Observation 和 Shaped Reward 将节律信息传递给策略网络。

一言以蔽之：策略负责在给定节律条件下输出合适的底层扭矩动作，而环境负责把“想走成什么样”整理成可学、稳定、可优化的时序约束。

精简回答：

1. 第一步：生成原始相位进度条（定骨架）
   环境维护一个统一的全局时钟 $g$，结合指令中的相位偏移参数 $p,o,b$，为四条腿分别生成在 $0$ 到 $1$ 之间循环的原始相位 $\varphi$，这就确立了四条腿的时序骨架。

2. 第二步：兵分第一路 —— 给网络当“节拍器”（做 Observation）
   为了避免 $\varphi$ 归零时产生跳变，我们将它卷成连续的正弦波 $\sin (2\pi \varphi )$ 作为观测值喂给网络。网络只看连续的波形来感知当前的周期节奏，它本身并不知道（也不需要知道）这一刻到底该踩地还是抬腿。

3. 第三步：兵分第二路 —— 给环境当“裁判尺”（做 Reward 考核）
   环境拿着原始相位 $\varphi$，结合指令中的支撑期比例（Duration $d$），做一个空间重映射计算，捏出一个虚拟相位 ${\varphi }^{\prime }$。在这个系统里被死死规定：${\varphi }^{\prime }<0.5$ 就是目标踩地，$>0.5$ 就是目标抬腿。环境根据它算出目标接触概率，交给 Reward 函数，精准惩罚机器人不按节律的动作。