目录第一部分：原理详解2.1 问题建模：通用条件控制策略2.2 网络架构：历史感知的Actor-Critic第二部分：结构化伪代码讲解第三部分：代码实现脚本1：环境配置与全局参数定义脚本2：历史观测编码器实现脚本3：条件策略网络实现脚本4：评论家网络与优势估计实现脚本5：PPO训练流程实现脚本6：统一控制接口与可视化系统第一部分：原理详解2.1 问题建模：通用条件控制策略在足式机器人的全身控制领域，传统的模型预测控制（Model Predictive Control, MPC）和全身控制（Whole-Body Control, WBC）方法依赖于精确的动力学模型和数值优化求解器，这在面对复杂地形和动态交互时表现出计算开销大、适应性差的局限性。近年来，端到端的视觉-语言-动作（Vision-Language-Action, VLA）模型虽然在高层语义理解方面取得了进展，但其低层控制精度与稳定性仍难以满足机器人运动的物理约束。在此背景下，HOVER（Humanoid Versatile