为人形机器人学习足球技能：一种渐进式感知-动作框架

足球对人形机器人提出了重大挑战，要求紧密集成的感知-动作能力，例如感知引导的踢球和全身平衡控制。现有方法在模块化流水线中存在模块间不稳定性，或在端到端框架中存在冲突的训练目标。我们提出感知-动作集成决策（PAiD），这是一种渐进式架构，将足球技能习得分解为三个阶段：通过人体运动跟踪习得运动技能、用于位置泛化的轻量级感知-动作集成，以及考虑物理特性的仿真到现实迁移。这种分阶段分解建立了稳定的基础技能，避免了感知集成过程中的奖励冲突，并最小化了仿真到现实的差距。在 Unitree G1 上的实验展示了高保真度的人形踢球动作，在多种条件下（包括静止或滚动的球、不同位置和干扰）具有鲁棒性能，同时在室内和室外场景中保持一致的执行。我们的分治策略推进了鲁棒的人形足球能力，并为复杂的具身技能习得提供了一个可扩展的框架。项目页面可在 https://soccer-humanoid.github.io/ 获取。