论文导读
韩国技术教育大学提出DAWN，把对噪声的抵抗力直接做进世界模型：喂给编码器的是带噪深度，重建目标却是干净深度，再用对比学习对齐两者。在Unitree Go1上，它不做任何手工滤波校准，零样本跨过70厘米缝隙、登上45厘米台阶。传感器再脏，机器狗也不会轻易趴窝。
深度图一脏，就靠“说不清”的滤波器
基于视觉的足式移动方法，训练时都默认深度图是干净的，到真实部署时再靠手工调参的后处理滤波器去填洞、去噪。问题在于滤波器参数很少公开，别人难以复现；而一旦深度噪声没被处理好，移动性能就大幅下降。
对本体感知的噪声鲁棒性已有不少研究，但针对深度感知的类似方法在足式移动中几乎还是空白。团队想做的，是把噪声鲁棒性直接建进学习流程，彻底摆脱对手工滤波器的依赖。
图：框架图展示带噪深度如何进入编码器、以干净深度为目标重建并做对比对齐。
两处修改，让世界模型自带去噪
DAWN的名字来自“世界模型中的去噪与对齐”，核心是两处修改。
第一，给编码器喂带噪声的深度，但把干净深度留作重建目标，逼着模型在内部隐式地把输入去噪。第二，用对比学习把带噪深度和干净深度对应的潜在状态对齐，让两者在表征空间里靠近。前者解决“能否重建出干净结构”，后者解决“表征是否稳定”，消融实验显示两者作用在互补层面，合起来增益可以叠加。
重要的是，DAWN不绑定某一种具体噪声模型，部署时不需要针对现场噪声分布手工调参，也不会在现有世界模型方法之上增加额外推理开销。
Go1真机：18厘米楼梯、70厘米缝、45厘米台
团队在Unitree Go1上直接用RealSense的原始深度观测，不做任何手工滤波器校准，完全依赖学到的噪声鲁棒表征。结果实现零样本四足跑酷：可通过最高18厘米的楼梯、跨过最宽70厘米的缝隙、登上最高45厘米的台阶。下图是真实实验结果，不同障碍下的通过情况一目了然。
图：结果图给出Go1在楼梯、缝隙、台阶三类障碍上的通过数据。
下图是户外部署的实际快照，机器人面对的正是带噪、可能有孔洞的真实深度输入。
图：快照展示机器狗在户外复杂地形上依据原始深度完成越障。
未来落地：让足式机器人摆脱脆弱的视觉前置
这项工作的实用价值在于把“深度先变干净”这一脆弱的前置环节内化进模型，机器狗在雨天、反光、粉尘等容易污染深度的场景里更可靠。零额外推理开销也意味着它可以直接嵌入现有世界模型控制流程。
下一步可以把鲁棒性扩展到更极端的噪声和传感器失效、融合其他视觉模态，并在更复杂的野外地形上验证长距离自主移动。随着感知韧性增强，四足机器人的真实部署边界会继续向外推。
