{title}{title}
- 文献综述（或调研报告）：
- 引言
足球机器人是一个不断发展的领域，也是人工智能和智能机器人的重要推动力[1]。足球比赛的环境是动态的、实时的，对机器人而言，足球是一个复杂的游戏。足球机器人涵盖了广泛的领域，包括机器人学、物理学、生物学、力学和计算机学等等。当然，这其中也包涵了运动学。
要想机器人在赛场上运动起来，就需要设计机器人的运动动作，包括行走动作和指定动作（主要是踢球）。机器人的动作是通过控制关节按照设计好的轨迹运动实现的，轨迹规划是一个较为复杂的过程，为了简化这个过程，可以将轨迹规划转变为关键帧规划，也就是确定该动作关键的几个位置。将关键帧按顺序排列，便得到了所谓的静态动作序列，然后执行静态动作序列实现机器人的动作。这样做显而易见的优点就是不需要进行轨迹规划，实现难度低。但是缺点也很明显，这样得到的动作生硬，且需要多次调整才能达到预期目标。而动态动作，也就是根据动作需要规划运动轨迹，更加灵活，适应性也更强。表1.1对两种动作方式进行了比较：
表1.1 两种动作方式比较
|
动作方式 |
实现难度 |
调试时间 |
适应性 |
流畅性 |
|
静态序列 |
较低 |
较长 |
较低 |
较差 |
|
动态生成 |
较高 |
较短 |
较高 |
较好 |
两种动作方式在RoboCup赛事中均有所应用。例如曾夺得小型类人组冠军的CIT Brains使用的是动态生成[2]，标准平台组的NAO-Team Humboldt采用的是静态动作序列[3]。NAO-Team Humbodt将每个动作描述成一个DFSA(确定性有限状态机)，每个节点描述电机的位置，每条边记录两个位置之间的过渡时间和条件。NAO-Team Humboldt同样认为静态动作序列的方法缺少动态，难以用于复杂的动作。
- 应用现状
参加2019年RoboCup小型类人组的20只队伍中，技术文档中描述了动态动作的队伍有CIT Brains、EROS、Rhoban和Starkit。以下对这些队伍的动态动作进行叙述：
CIT Brains的踢球动作在2018年及以前采用的都是预先确定好的动作，今年改为了行走踢球[2]。定义好的踢球动作需要在步态动作停止之后花费一定的时间来切换。行走踢球方法将行走曲线和步态轨迹放在同一层次上，可以实现行走与踢球的对接，节省了切换的时间。实现方法上，CIT Brains行走采用了摆线轨迹，而踢球动作采用了贝塞尔曲线，并且通过ZMP（零力矩点）维持动作过程中机器人的稳定。图2.1描述了行走时踢球的调整、接近、击球和接着行走的过程。
图2.1 CIT Brians行走踢球示意图
EROS的行走动作和踢球动作采用的都是线性倒立摆模型[4]，其最新研究进展已经将角速度控制融入到关节轨迹控制之中，通过控制加速和减速来使机器人在移动时更加稳定，同时降低机器人倒地后对伺服电机的损伤。
连续三年蝉联小型类人组冠军的Rhoban在2016年及以前也是采用手动调整的方式实现踢球动作[8]。这样得到的踢球动作虽然有力但是实用性很差，并且容易受场地或者机器人变化的影响，而且还需要人为定期逐个机器人进行重新调整。2017年开始Rhoban将踢球动作参数化为笛卡尔坐标系内的多项式样条。首先构建完整的动力学模型计算踢球时的扭矩和零力矩点(ZMP)，然后通过CMA-ES黑箱算法（自适应协方差矩阵优化算法）优化样条得到最小化关节扭矩的平衡运动。该方法得到的机器人动作在用力踢球时是不稳定的，踢球效果也远不如2016年及以前采用手动矫正的效果。但是对于普通踢球而言，在没有任何调整的情况下，该动作算法运用于实际机器人上效果和仿真效果基本一致。
此外，Rhoban在2017年更新了步态动作的引擎，从之前使用的的IKWalk换成了现在使用的QuinticWalk。新的步态引擎在原理上和之前的一样，都未采用ZMP和动力学模型[9]。主要的调整部分有五点：一是轨迹改为了五次多项式样条；二是在全向行走和参数更新期间保持连续加速；三是所有相对于躯干的位置和角度都改为了相对于支撑脚的；四是在双足支撑阶段的处理，更加准确的参数值有助于低频、稳定的步态算法的实现；五是在行走启动时，躯干在半个周期内开始摆动以初始化机器人的重量摆动。经过以上调整后机器人的行走更加稳定，但是在轨迹的一些部分还是能观察到龙格现象。
Starkit提到将固定方向的踢球改为机器人自己判断踢球方向，并通过改变脚的位置来改变踢球方向而非改变机器人位置。但是其并没有说明是如何实现的。
上述队伍明确说明了动态动作的使用，还有一些队伍提出了对于动作稳定性和切换速度的改进方案。
Hamburg Bit-Bots and WF Wolves虽然并未说明其动作是如何实现的，但是在其技术文档中提出了两种提高动作稳定性的改进方法[5]。一是基于脚底压力传感器和惯性测量单元的反馈，实现维持机器人的稳定。二是将深度强化学习运用至该领域以达到更好的表现效果。
ITAndroids的步态和踢球采用了基于ZMP的算法，并增加了重力补偿[6]。ITAndroids使用CAD构建质量模型，并通过脚底的压力传感器来改进模型以达到更高的稳定性。除此之外，在2018年ITAndroids添加了躯干控制器，显著的提高了机器人在人造草坪上的行走效果。该躯干控制器使用躯干的角度和角速度作为反馈，使用PD控制驱动关节电机使躯干保持竖直。
Rhoban在动作方面增加了一个接近球后从行走动作向踢球动作的过渡[7]。在机器人接近球的最后阶段，即机器人离球足够近时，计算一个准确的落步，以保证踢球的脚落在球前的正确方向。再根据当前支撑脚和目标姿势计算一到两次调整。计算最后调整部的时候有两个关键点，一是球相对于机器人摄像头的位置必须准确，这就需要获取图像时的要考虑到图像处理过程的延迟。二是调整落步的指令要在一个或半个步态周期结束后执行。预测模型也只是实际模型的粗略估计，要想减小与现实差距还需要使用其他方法。
- 总结与展望
动态动作的一开始的生成轨迹向更加稳定、更加快速发展，不少队伍都提出了关于动态动作稳定性的改进方法，例如基于ZMP的调整和基于惯性测量单元和脚底压力传感器的反馈调整；以及不同动作之间的切换更快速的方法，例如行走踢球[13]和计算不同动作间的过渡。动态动作已不再是单纯的追求动作的适应性和流畅性，开始达到更高的标准和要求。改进后的动态动作的效果也会越来越好。
未来动态动作除了目前已有进展的稳定性和快速之外，可能还会向准确性等方面发展，期待动态动作的进一步完善。
- 参考文献
[1] Hiroaki Kitano, Minoru Asada, Yasuo Kuniyoshi, Itsuki Noda, Eiichi Osawa, and Hitoshi Matsubara. RoboCup: A challenge problem for AI and robotics. Pages 1 – 19. 1998.
[2] CIT Brains (Kid Size League)
https://submission.robocuphumanoid.org/uploads//
EagleBots_MX-tdp-5c503de1bd77c.pdf
[3] Burkhard, H.D., Holzhauer, F., Krause, T., Mellmann, H., Ritter, C.N.,Welter, O., Xu, Y.: Nao-team humboldt 2009. Technical report, Humboldt Universituml;at zu Berlin (2009)
[4] EROS - Team Description Paper for Humanoid KidSize League, RoboCup 2019
https://submission.robocuphumanoid.org/uploads//EROS-tdp-5c4d7335b9b78.pdf
[5] Hamburg Bit-Bots and WF Wolves Team Description for RoboCup 2019
https://submission.robocuphumanoid.org/uploads//Hamburg_Bit_Bots_and_WF_Wolves-
tdp-5c055f156c238.pdf
[6] ITAndroids Humanoid Team Description Paper for RoboCup 2019
https://submission.robocuphumanoid.org/uploads//ITAndroids-tdp-5c050f1fc2c24.pdf
[7] Rhoban Football Club Team Description Paper Humanoid Kid-Size League, Robocup 2018 Montreal
https://submission.robocuphumanoid.org/uploads//Rhoban-tdp-5c05011865144.pdf
[8] Rhoban Football Club Team Description Paper Humanoid Kid-Size League,Robocup 2017 Nagoya
https://www.robocuphumanoid.org/qualification/2017/22ee18648e39f3f656609d932ab6ccaa70a66929/Rhoban_Fooball_Club_Humanoid_KidSize_regularanddrop_in_2017_TDP.pdf
[9] Rhoban Football Club: RoboCup Humanoid Kid-Size 2017 Champion Team Paper
[10] Beacute;zier curve – Wikipedia
https://en.wikipedia.org/wiki/Bézier_curve#cite_note-Mortenson-1
[11] Vukobratović, Miomir and Borovac, Branislav. Zero-moment point—Thirty five years of its life. International Journal of Humanoid Robotics, Vol. 1, No. 1, pp. 157–173, 2004.
[12] Zero moment point – Wikipedia
https://en.wikipedia.org/wiki/Zero_moment_point#External_links
资料编号：[180763]
- 文献综述（或调研报告）：
- 引言
足球机器人是一个不断发展的领域，也是人工智能和智能机器人的重要推动力[1]。足球比赛的环境是动态的、实时的，对机器人而言，足球是一个复杂的游戏。足球机器人涵盖了广泛的领域，包括机器人学、物理学、生物学、力学和计算机学等等。当然，这其中也包涵了运动学。
要想机器人在赛场上运动起来，就需要设计机器人的运动动作，包括行走动作和指定动作（主要是踢球）。机器人的动作是通过控制关节按照设计好的轨迹运动实现的，轨迹规划是一个较为复杂的过程，为了简化这个过程，可以将轨迹规划转变为关键帧规划，也就是确定该动作关键的几个位置。将关键帧按顺序排列，便得到了所谓的静态动作序列，然后执行静态动作序列实现机器人的动作。这样做显而易见的优点就是不需要进行轨迹规划，实现难度低。但是缺点也很明显，这样得到的动作生硬，且需要多次调整才能达到预期目标。而动态动作，也就是根据动作需要规划运动轨迹，更加灵活，适应性也更强。表1.1对两种动作方式进行了比较：
表1.1 两种动作方式比较
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
