DexDribbler：通过动态监督学习灵巧足球操控

学习足式机器人的灵巧运动策略因其处理多样化地形和模拟智能行为的能力而日益流行。然而，对移动物体的关节操控与腿部运动的结合，例如踢足球，在学习社区中很少受到关注，尽管这对人类和智能动物而言是自然而然的。解决这一多任务问题的关键挑战是从被操控物体的状态和目标推断出运动目标。物体状态与机器人运动之间的隐式关系可能难以直接从训练经验中捕获。我们提出添加一个反馈控制模块来精确计算所需的躯体层面运动，并将输出作为显式的动态关节层面运动监督。我们进一步利用改进的球动力学模型、扩展的上下文辅助估计器和全面的球观察器，以促进将在仿真中学习的策略迁移到现实世界。我们观察到，我们的学习方案不仅能使策略网络更快收敛，还能使足球机器人执行复杂的机动动作，例如在平坦表面上的急转弯和变向，这是先前方法所缺乏的能力。视频和代码可在https://github.com/SysCV/soccer-player获取。