不靠堆数据，机器人也能举一反三：PhyFilter用物理滤波提升泛化能力
机器人泛化困局：数据堆不动了
过去十年，大语言模型的成功让“数据越多越聪明”成了默认逻辑。但当智能要落地到物理世界，这条路立刻卡壳——机器人没法像文本那样无限生成训练数据。
人工遥操作成本极高，特斯拉级别的工业尝试也受限于采集效率；仿真合成（如Isaac Lab、MuJoCo）虽能缓解，却始终跨不过sim-to-real的鸿沟。更麻烦的是，仿真环境需要大量手工调参做域随机化，本质上是用精度换鲁棒性，工程负担很重。
生物却不是这么干的。斑马鱼幼体没看过几万小时视频，照样能应对突发水流；人类婴儿摔倒几次就能调整步态。它们靠的不只是经验积累，更是身体自带的物理结构和实时反馈机制——比如小脑会不断更新内部模型，把前馈预测和感觉反馈结合起来，动态修正动作。
这启发了一个关键问题：既然机器人天生就有动力学方程、传感器和执行器，能不能把这些“现成的”物理信息用起来，而不是一味追求更多数据？
把学习误差当成可滤除的信号
PhyFilter的核心思路很朴素：神经网络在新环境里出错，是因为它没学过那些扰动（比如风、沙地、额外负载）。这些错误表现为“学习残差”——真实系统行为和模型预测之间的差距。
传统做法要么重新训练模型，要么加复杂自适应控制器。PhyFilter另辟蹊径：它假设这个残差主要是低频的（比如风是缓慢变化的，不像高频噪声），于是设计一个高阶低通滤波器来捕捉并补偿它。
难点在于，部署时没有“真实值”做标签，残差无法直接测量。团队巧妙地绕开了这个问题：利用机器人已知的物理微分方程（比如牛顿第二定律）和可测的状态（位置、速度等），把原本需要高阶导数的滤波形式，重写成只依赖实测信号的等价表达。这样一来，连STM32这类微控制器都能以500Hz实时运行。
这个模块有三个突出特点：
- 即插即用：不用动原有模型，直接接在输出端就行，兼容强化学习或监督学习策略；
- 自动调参：传统滤波器靠工程师手工整定极点，高阶时极其繁琐。PhyFilter把参数看作控制输入，用伴随法+Adam自动优化，效果和人工调的一样好；
- 可退化可扩展：一阶时退化为经典扰动观测器，高阶则能处理更复杂的不确定性。
四类真机验证：从平地到碎石路，从无风到5m/s强风
四足机器人：仿真只训平地，真机直闯四种地形
策略在仿真中仅用标准参数随机化训练平地行走，完全没接触过沙地、碎石等场景。部署时不做任何调参，结果令人意外：
- 基线策略在沙地和碎石路上几秒内就摔倒；
- 加入PhyFilter后，机器人稳定走完石板路、草地、沙地和碎石路；
- 更关键的是，即使在运行时关掉修正项，策略依然有效——说明PhyFilter在训练阶段就塑造了更鲁棒的底层控制，不只是运行时“打补丁”。
在高速（2.83m/s）和超重负载（超出训练上限137%）下，PhyFilter在五类未见地形的平均通过率达60%，而基线几乎全军覆没。
无人机：补上风扰这块短板
此前的SEER-I方法擅长处理质量不确定性，但遇到风扰就性能骤降。PhyFilter叠加后，在2m/s圆轨迹跟踪任务中，平均绝对误差比SEER-I降低30.22%。分析发现，SEER-I只能估计质量偏差，而PhyFilter同时辨识出了风致扰动和固有动力学误差。
空中机械臂：5m/s风中完成厘米级操作
应急救援场景要求机械臂从三脚架取药放入指定区，允许误差仅2.5cm。实验用380W风扇制造5m/s阵风，并加0.3kg未建模负载。基线和SEER-I均失败，只有PhyFilter全程稳定执行，跟踪误差的均值和方差分别改善24%和55%。
加速度感知：分布外依然准
轻型无人机常缺高精度IMU，团队用神经网络从速度历史预测加速度。训练集速度0~2m/s，测试扩展到3m/s。纯学习模型明显失效，而引入运动学结构的PhyFilter在多种采样频率下都优于经典微分器（如TD、RD），且自动学到的滤波参数接近理论最优。
为什么这比“堆数据”更接近生物智能？
现有方法依赖域随机化——在仿真里塞进各种地形、风速、负载，试图覆盖所有可能。但这本质是“平均主义”，牺牲了特定场景的精度，还耗费大量调参人力。
PhyFilter则不同：在熟悉环境中，残差小，滤波干预自动衰减，保留原始策略的高精度；一旦进入未知场景，滤波被激活，动态补偿误差。它统一了精度与泛化，且训练阶段无需过度随机化。
更重要的是，它利用了机器人独有的优势：物理先验和实时反馈。LLM是纯数据驱动的“黑箱”，而机器人本就是个结构化的动力学系统。PhyFilter相当于给神经网络装了个“物理协处理器”，让它学会借助身体而非仅靠记忆。
局限与未来方向
目前PhyFilter只修正输出，没反哺回原网络。下一步可探索持续学习，用滤波获得的知识精化模型本身。
自动调参虽有效，但每次迭代需完整轨迹rollout，大规模应用效率低。截断式或并行化rollout可能是解。
此外，学习残差可能混杂多种不确定性（如建模误差+外部扰动）。如何解耦这些成分，或许需结合元学习。
总的来说，这项工作提醒我们：机器人不是缺数据的图像生成器。它的身体本身就是智能的一部分。与其无止境扩充数据集，不如好好利用那些现成的物理结构——这或许才是通往生物式泛化的捷径。