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
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：
solution.py
solution_rl.py
policy.pt
requirements.txt
本地 smoke：
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：
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。