人形机器人视觉驱动的反应式足球技能学习
原标题：Learning Vision-Driven Reactive Soccer Skills for Humanoid Robots
人形足球是具身智能的典型挑战，要求机器人在动态环境中协调敏捷运动与不可靠的视觉感知。
现有系统通常依赖将感知与控制分离的模块化流水线，或假设理想感知条件，因此难以在真实世界感知受限的情况下实现连贯且反应迅速的行为。
本研究提出了一种统一的基于强化学习的控制器，通过直接将视觉感知与运动控制耦合，使人形机器人能够学习视觉驱动的反应式足球技能。机器人在仿真中接受训练以掌握足球行为，对抗性运动先验引导策略学习自然的运动模式。
为支持不完美感知下的稳健表现，研究者引入了一种编码器-解码器架构，并配合虚拟感知系统来建模 onboard 视觉的关键特征，在训练过程中让策略暴露于感知噪声和检测失败。这种设计鼓励策略内建感知不确定性，并在闭环中持续调整自身运动。
最终的控制器仅依靠 onboard 视觉即可产生协调的足球行为，包括寻球、追球和多方向踢球。与基于规则的基线相比，球位估计误差降低 46%，踢球准备时间缩短最多 64%，在前场位置达到约 90% 的踢球成功率。
在多种环境和动态场景中的实验，包括真实 RoboCup 比赛，进一步验证了该控制器的稳健表现。这些结果表明，将感知不确定性直接融入策略学习，对于实现真实世界条件下人形机器人可靠的视觉驱动行为具有实际有效性。