Aprendizaje de Habilidades Reactivas de Fútbol Basadas en Visión para Robots Humanoides

Learning Vision-Driven Reactive Soccer Skills for Humanoid Robots

November 6, 2025

Autores: Yushi Wang, Changsheng Luo, Penghui Chen, Jianran Liu, Weijian Sun, Tong Guo, Kechang Yang, Biao Hu, Yangang Zhang, Mingguo Zhao

cs.AI

Resumen

El fútbol humanoide representa un desafío representativo para la inteligencia corporeizada, ya que requiere que los robots operen dentro de un bucle percepción-acción estrechamente acoplado. Sin embargo, los sistemas existentes generalmente dependen de módulos desacoplados, lo que resulta en respuestas retardadas y comportamientos incoherentes en entornos dinámicos, mientras que las limitaciones perceptivas del mundo real exacerban aún más estos problemas. En este trabajo, presentamos un controlador unificado basado en aprendizaje por refuerzo que permite a los robots humanoides adquirir habilidades reactivas de fútbol mediante la integración directa de la percepción visual y el control de movimiento. Nuestro enfoque extiende los Adversarial Motion Priors a entornos perceptivos en escenarios dinámicos del mundo real, tendiendo un puente entre la imitación de movimiento y el control dinámico visualmente fundamentado. Introducimos una arquitectura codificador-decodificador combinada con un sistema de percepción virtual que modela las características visuales del mundo real, permitiendo que la política recupere estados privilegiados a partir de observaciones imperfectas y establezca una coordinación activa entre la percepción y la acción. El controlador resultante demuestra una fuerte reactividad, ejecutando consistentemente comportamientos de fútbol coherentes y robustos en diversos escenarios, incluyendo partidos reales de RoboCup.

English

Humanoid soccer poses a representative challenge for embodied intelligence, requiring robots to operate within a tightly coupled perception-action loop. However, existing systems typically rely on decoupled modules, resulting in delayed responses and incoherent behaviors in dynamic environments, while real-world perceptual limitations further exacerbate these issues. In this work, we present a unified reinforcement learning-based controller that enables humanoid robots to acquire reactive soccer skills through the direct integration of visual perception and motion control. Our approach extends Adversarial Motion Priors to perceptual settings in real-world dynamic environments, bridging motion imitation and visually grounded dynamic control. We introduce an encoder-decoder architecture combined with a virtual perception system that models real-world visual characteristics, allowing the policy to recover privileged states from imperfect observations and establish active coordination between perception and action. The resulting controller demonstrates strong reactivity, consistently executing coherent and robust soccer behaviors across various scenarios, including real RoboCup matches.