基于模型的分层高性能人形机器人足球系统

《Advanced Intelligent Systems》：A Hierarchical, Model-Based System for High-Performance Humanoid Soccer

　　

竞技人形机器人的研发日益受到关注，因为执行、传感与控制方面的进展使其具备越来越强的动态性与实用性。RoboCup作为全自主机器人系统的国际竞赛，为具身智能提供了具有挑战性的基准，要求机器人在不确定和动态场景中感知、决策与行动。本文介绍了经RoboCup 2024验证的开源人形平台的硬件与软件创新。硬件采用轻量化结构部件、高扭矩密度的准直驱（QDD）执行器，以及支持强力步态中踢球同时保持运动稳定性的专用足部设计。软件方面，研究人员开发了集成感知与定位框架，结合立体视觉、目标检测与基于地标的融合以实现可靠状态估计。中层导航栈生成碰撞感知且动态可行的轨迹，集中式行为管理器协调决策与动作执行。这些子系统的紧密集成使机器人在频繁接触和动态运动环境中实现快速、精确且物理一致的行为。除竞赛成功外，该系统凸显了具身智能的关键原则，包括软硬件联合设计、感知-规划-控制一体化以及复杂环境中的可靠自主性。

研究背景方面，近年来人形机器人因硬件与控制进步快速发展，准直驱（QDD）执行器与力矩控制关节使机器人具备快速响应、动态与抗冲击行为。RoboCup人形组要求机器人仅依靠机载相机与本体感知在受限传感下全自主运行，成人尺寸机器人更重更高、力输出更大，平衡恢复与动量重定向更困难。现有RoboCup队伍多采用伺服驱动与ZMP式步态，仅能实现静态稳定中速行走与基本踢球，难以完成快速动态动作；步态中强力踢球虽是最有效得分手段，却因腿部加速度与冲击力易失稳而难以实现。软件上，许多参赛架构行为规划简单、缺乏中层在线全局路径规划，近距传感与避障能力薄弱，视觉、颈部控制与定位耦合松散，难以在动态对抗条件下保持高性能。基于学习的方法虽展示反应式技能，但缺乏对手意识与队友协作，或仅在小型人形上验证，尚未提供面向成人尺寸球队竞赛的完整集成软件架构。为此研究人员开展本项研究，构建基于ARTEMIS的分层模型系统，实现软硬件协同设计。

关键技术方法方面，研究采用立体视觉结合定制YOLOv8m检测器与几何验证及卡尔曼滤波跟踪；基于CLAP的几何定位融合地标匹配与惯性数据；中层导航采用动态增强可见图（DAVG）规划器与无碰撞模型预测控制（cf-MPC）跟踪器；行为层采用行为树与有限状态机（FSM）混合架构；运动控制采用分层基于模型的 walking 控制器与感知锁定的步态中踢球（PLMK）；足部材料通过ANSYS有限元分析（FEA）在九种材料中筛选。研究在RoboCup 2024官方赛场及受控场地测试、仿真与伪比赛中评估，定位真值由Vicon运动捕捉系统（300 Hz）提供。

研究结果方面，在感知上，定制YOLOv8m在350张挑战性视角图像上总体精确率0.690、召回率0.673、mAP@50为0.648、mAP@50:95为0.331，足球类精确率0.858、召回率0.900、mAP@50达0.946。在近距感知上，三次运行平均精确率0.94±0.02、召回率1±0、F1为0.97±0.01、距离误差0.019±0.01 m。在定位上，CLAP在五点星轨迹上与Vicon对比实现均方误差、平均绝对误差与标准差均处于低水平，在100 Hz下稳定运行。在导航上，纯跟踪测试实现亚分米平均偏差，六次带障碍试验轨迹平滑可重复。在踢球上，50次踢球中46次落在预设踢球锥内，42次成功进球，摆动持续0.4 s、峰值足速约3.2 m/s，优于ALICE与NimbRo-OP2X等平台。在足部材料上，PETG-CF因水平承载达1000 N、垂直约150 N断裂且兼顾制造性而被选用。在高層策略仿真上，远离对手踢球与传球策略平均结果优于默认射门策略。在全栈竞赛上，球队在6场官方比赛中攻入45球并获该组别冠军。讨论部分指出，系统在动态不确定接触丰富环境中实现可靠闭环行为，但对手踩踏可损坏足部附件导致踢球失准，高CPU负载下端到端延迟可致避碰滞后，极近距离感知失败与障碍边界附近的定位噪声会造成踢球位置判定振荡；行为层依赖确定性规则限制适应性，上层性能受感知定位鲁棒性约束。研究认为基于学习的方法自适应强但对仿真到现实差距敏感、缺乏可解释性，而基于模型方法行为可预测、稳定性明确且便于调试，未来应发展融合二者优势的混合策略。结论部分翻译如下：本文提出了面向人形机器人足球的集成模型系统，并通过仿真、场地测试与官方RoboCup竞赛评估其性能；描述了新型足部附件设计以及完整的感知、定位、导航与行为框架；全集成系统展示了可靠定位、高效路径规划与避障以及有效的协作传球与得分策略，验证了ARTEMIS在真实比赛环境中的鲁棒性与竞争力。未来工作将在硬件上开发主动上身以实现自主跌倒恢复、探索多材料足部制造并升级电池与配电系统，在软件上扩展模型栈并结合基于学习的决策、定位与路径规划，集成预测式全身控制并推进多机器人协作。