登上Science Robotics顶刊！清华团队耗时22年，终于教会机器人踢足球
详细介绍
顶会可以年年开，但这本期刊不是每个实验室都能进的。
这项工作没有停留在某一个动作或单项指标上，它把视觉感知、状态估计、双足运动和物理接触放进真实足球任务，还进入 RoboCup 赛场，在持续变化的环境和真实对抗中接受检验。
2004 年，赵明国带领学生成立清华火神机器人足球队。次年，他们带着自行研制的机器人参加 RoboCup。早期机器人只有约 50 厘米高，行走缓慢，比赛时还需要保护人员防止摔倒。此后的二十多年里，火神队几乎每年参赛，机器人逐渐长到一米以上，学会自主起身、快速奔跑和大力射门。
这篇论文试图解决一个困扰学界多年的问题：在充满噪声、延迟和遮挡的真实环境里，人形机器人如何做到看见即反应。
视觉驱动的加速进化机器人控制系统概览。
策略形成的五类动作模式，包括左右脚射门、直行和左右转向。彩色轨迹为策略生成动作，灰色点为人类参考动作。
学习策略与当前 RoboCup 先进规则策略的对比。（A、B）机器人在不同接近角度下，从启动到触球所需的时间，以及这一过程中的最大角速度。机器人初始处于静止状态，距离足球 1.5 米。阴影区域表示标准差，每个方向测试 5 次。（C、D）规则策略控制机器人向前方（0°）和后方（180°）踢球时的典型动作。（E、F）学习策略可以将接近足球与射门连成一个连续动作。
图注：面对滚动足球的反应式射门。（A）足球横向滚动时，机器人快速侧移并完成射门。其中，（i）展示机器人与足球的运动轨迹及对应的双脚触地模式，（ii）展示机器人的连续动作。（B）足球滚向机器人后方时，机器人快速转身并射门。（i）和（ii）展示的内容与（A）相同。（C）不同球速下的踢球成功率、进球率和触球用时。仿真结果以柱状图表示，每种球速测试 8192 次；真机结果以三角形标记表示，每种球速测试 10 次。误差棒表示仿真测试结果的标准差。
学习策略能够从仿真直接部署到真机，算法只是其中一环。关节响应是否一致，控制周期是否稳定，传感器和计算单元能否按时输出结果，都会影响最终表现。任何底层误差，都可能在高速运动中被放大。
https://www.science.org/journal/scirobotics
【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台，可以对大语言模型（LLM）和多模态图文模型（VLM）进行预训练和轻量级微调。XTuner 支持多种微调算法，如 QLoRA、LoRA 和全量参数微调。
项目地址：https://github.com/InternLM/xtuner