肌肉骨骼建模与强化学习已能让肌肉驱动智能体复现更复杂的人体动作，但能力仍大体停在平地。动作数据很少带对齐地形，把地形交互重定向到复杂肌肉骨骼身体也很困难。TERRA 是端到端流水线，从纯运动学轨迹做地形感知重定向与控制，把无场景动作接到多样非平坦地形上的肌肉驱动行走。
从轨迹恢复任务相关支撑几何
TERRA 不依赖已对齐的地形网格。它从运动学轨迹出发，结合地形先验、估计接触和负向自由空间证据，恢复任务相关支撑几何，而不是完整场景。对只有动作、没有地形的数据，这一步决定接触是否合理。重定向再加入解剖、肌腱连续性和接触约束，降低硬贴轨迹时的解剖与交互违规。
五套数据训练单一肌肉策略
用五个数据集的动作-地形对，作者训练单一肌肉驱动策略，共 9.4 小时多样行走。重建、重定向和留出跟踪三项基准上，TERRA 提高地形精度，显著降低解剖与交互违规，并在支持的地形族上取得最高完成率。摘要未给违规降幅和地形清单，完成率优势应理解为相对支持的地形族，而非任意非平坦环境。流水线把几何恢复、约束重定向和控制学习串起来，而不只优化跟踪误差。
我的判断
价值在于正视数据现状：多数动作库没有场景几何，却要把肌肉骨骼控制推出平地。对物理仿真研究，这条路径比重新采集带地形动作更现实。边界同样硬：最高完成率只针对支持的地形族；恢复的是任务相关支撑面；「多样」以五套数据、9.4 小时为准。摘要没有失败模式、接触误差传播，也没有关节驱动基线的细对比，判断必须留白。它证明从无场景动作走到非平坦肌肉行走可行，还不是通用地形上的肌肉骨骼控制。