问题
go1-stairs-terrain-walk 训练收敛（mean_reward 1089，episode 长度 1554/2000），但 policy 只下台阶、从不爬升：40s × 16 envs 评估中爬升事件（5s 窗口 z↑>0.3m）0 次、下降 13 次，前向速度误差 0.476 m/s（指令 0.5–1.0 m/s）。
复现：python scripts/train.py task=go1-stairs-terrain-walk/rslrl.ppo（默认配置 1000 iters）后以 scripts/play.py 评估。
根因（链式，两步缺一不可）
① reset 出生高度是固定常量，与地形无关（walk_stairs_terrain.py 原 offset_list）
出生 z 取自硬编码表 height_list={-1, 0.5, 1.5}。实测该表与 heightmap_stairs.hfield 资产不匹配（平台中心在 k·8−1，实际顶高集合 {−1.5, −1.32, −1.0, +1.0, +1.32, +1.5}，八种转置/翻转组合均对不上）：
| 指标（25 出生槽位实测） |
数值 |
| 埋入地形（最深） |
4/25（−2.1m） |
| 悬空坠落（最高） |
20/25（+3.4m） |
| 首步即触发 trunk 碰撞终止 |
9/25 |
出生状态错乱使机器人从未正常经历"随地形行走产生的高度变化"，下述 ② 的问题在此阶段被掩盖。
② 修复 ① 后高度随地形变化，lin_vel_z=-2.0 暴露为主要矛盾
reset 改为"出生点地形采样 + init_state.pos[2] 间隙"后（25/25 槽位 clearance 精确 0.42m、首步零终止），垂直速度成为训练常态。此时 lin_vel_z=-2.0 开始惩罚一切正常垂直运动：攀上台阶需持续 vz≈0.25–0.5 m/s，惩罚 2·vz²=0.125–0.5/step，与速度跟踪满额收益（1.0/step）同量级——爬升期望收益为负，policy 合理地学成"只下不上"。
证据
lin_vel_z: -2.0 → -0.5 单变量重训（其余不变），同一评估流程：
| 指标 |
baseline |
lin_vel_z=−0.5 |
| episode 内爬升事件 |
0 |
26 |
| episode 内下降事件 |
13 |
24 |
| 前向速度误差 |
0.476 m/s |
0.108 m/s |
| episode 内世界高度活动范围 |
0.80m |
1.41m |
（已剔除 auto-reset 传送产生的 z 跳变，仅统计 episode 内行为。）
reward 分项分解（baseline policy 实测）：tracking_ang_vel 贡献 +0.48/step——yaw 指令恒为 0，"不旋转"即可白拿约一半的跟踪收益，与 ② 叠加形成"慢速苟活"最优解。
修复
- reset 改为 terrain-aware：出生 z =
sample_terrain_height(出生点) + init_state.pos[2]，删除硬编码高度表；
lin_vel_z: -2.0 → -0.5。
问题
go1-stairs-terrain-walk训练收敛（mean_reward 1089，episode 长度 1554/2000），但 policy 只下台阶、从不爬升：40s × 16 envs 评估中爬升事件（5s 窗口 z↑>0.3m）0 次、下降 13 次，前向速度误差 0.476 m/s（指令 0.5–1.0 m/s）。复现：
python scripts/train.py task=go1-stairs-terrain-walk/rslrl.ppo（默认配置 1000 iters）后以scripts/play.py评估。根因（链式，两步缺一不可）
① reset 出生高度是固定常量，与地形无关（
walk_stairs_terrain.py原offset_list）出生 z 取自硬编码表
height_list={-1, 0.5, 1.5}。实测该表与heightmap_stairs.hfield资产不匹配（平台中心在 k·8−1，实际顶高集合 {−1.5, −1.32, −1.0, +1.0, +1.32, +1.5}，八种转置/翻转组合均对不上）：出生状态错乱使机器人从未正常经历"随地形行走产生的高度变化"，下述 ② 的问题在此阶段被掩盖。
② 修复 ① 后高度随地形变化，
lin_vel_z=-2.0暴露为主要矛盾reset 改为"出生点地形采样 +
init_state.pos[2]间隙"后（25/25 槽位 clearance 精确 0.42m、首步零终止），垂直速度成为训练常态。此时lin_vel_z=-2.0开始惩罚一切正常垂直运动：攀上台阶需持续 vz≈0.25–0.5 m/s，惩罚 2·vz²=0.125–0.5/step，与速度跟踪满额收益（1.0/step）同量级——爬升期望收益为负，policy 合理地学成"只下不上"。证据
lin_vel_z: -2.0 → -0.5单变量重训（其余不变），同一评估流程：（已剔除 auto-reset 传送产生的 z 跳变，仅统计 episode 内行为。）
reward 分项分解（baseline policy 实测）：
tracking_ang_vel贡献 +0.48/step——yaw 指令恒为 0，"不旋转"即可白拿约一半的跟踪收益，与 ② 叠加形成"慢速苟活"最优解。修复
sample_terrain_height(出生点) + init_state.pos[2]，删除硬编码高度表；lin_vel_z: -2.0 → -0.5。