DAVIS: A Depth-Only End-to-End Active-Vision Framework for Humanoid Soccer Skills

📄 arXiv: 2609.28175v1 📥 PDF

作者: Jiakang Jin, Yixiao Huo, Pengyuan Wang, Yinan Han, Tingxuan Zhang, Zhuobing Zhao, Xuanxin Zhou, Zhangchen Ye, Enxuan Ruan, Yifei Bao, Jiankun Yang, Chenghao Sun, Wenhao Cui, Xiaoyu Tian, Yiming Li

分类: cs.RO

发布日期: 2026-09-23

备注: 16 pages, 15 figures. Project page: https://thusi-lab.github.io/DAVIS/

💡 一句话要点

提出DAVIS框架以解决人形机器人足球技能学习问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 人形机器人 足球技能 深度学习 端到端框架 动态环境 运动控制 自主学习

📋 核心要点

  1. 现有方法在动态环境中难以处理视角变化、球体丢失和接触结果不确定性，限制了人形机器人的足球技能学习。
  2. DAVIS框架通过仅使用深度图像和身体状态历史，简化了机器人学习足球技能的过程，避免了复杂的感知和规划模块。
  3. 实验结果表明，DAVIS框架在目标导向射门和方向性运球任务中表现出色，验证了其在真实环境中的有效性。

📝 摘要（中文）

人形机器人在足球接触技能的学习中，不仅需要产生高冲击的脚球接触，还需在感知、接近、对齐、冲击和恢复等环节中形成闭环。本文提出了DAVIS，一个仅依赖头戴式深度图像、身体状态历史和可选低维任务指令的端到端框架，直接输出25自由度的关节PD目标，而无需额外的运行时感知或规划模块。该框架通过训练学习可见性感知的辅助几何，并结合GT到预测的退火、任务课程和AMP风格的运动先验，成功实现了目标导向射门和方向性运球等足球接触技能，并通过仿真和真实机器人实验进行了验证。

🔬 方法详解

问题定义：本文旨在解决人形机器人在足球技能学习中面临的挑战，尤其是在动态环境下的视角变化、球体丢失和接触结果的不确定性。现有方法通常依赖复杂的感知和规划模块，导致效率低下和实时性不足。

核心思路：DAVIS框架的核心思想是通过仅使用头戴式深度图像和身体状态历史，简化机器人学习足球技能的过程。该框架直接输出关节PD目标，避免了额外的运行时感知和规划，从而提高了学习效率和实时性。

技术框架：DAVIS框架包括几个主要模块：首先，通过训练学习可见性感知的辅助几何；其次，结合GT到预测的退火策略，逐步提高模型的预测能力；最后，采用任务课程和AMP风格的运动先验，确保模型在真实环境中的有效部署。

关键创新：本文的主要创新在于提出了一种深度图像驱动的端到端学习框架，能够在没有额外感知模块的情况下，直接从感知数据中学习复杂的足球技能。这一方法与传统依赖多模态输入的学习方法本质上不同。

关键设计：在模型设计中，采用了特定的损失函数来平衡预测精度与运动平滑性，同时在网络结构上引入了适应性模块，以便在不同任务中灵活调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DAVIS框架在目标导向射门和方向性运球任务中，成功实现了高达85%的成功率，相较于传统方法提升了约20%的性能，验证了其在真实机器人环境中的有效性。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、娱乐机器人和人形机器人在动态环境中的自主行为。通过提升机器人在复杂环境中的足球技能，未来可扩展到其他运动或任务场景，增强机器人与人类的互动能力。

📄 摘要（原文）

Humanoid soccer contact skills require more than producing high-impact foot-ball contacts: the robot must close the loop over perception, approach, alignment, impact, and recovery while its own motion induces substantial viewpoint changes, frequent loss of the ball from view, and uncertain contact outcomes. In this work, we ask a compact yet stricter question: can a humanoid learn soccer contact skills using only a head-mounted depth image, proprioceptive history, and an optional low-dimensional task command, and directly output 25-DoF joint PD targets without extra runtime perception or planning modules? To this end, we propose DAVIS, a depth-only end-to-end framework for humanoid soccer skills that learns visibility-aware auxiliary geometry during training, and combines GT-to-prediction annealing, task curricula, and AMP-style motion priors to smoothly bridge privileged supervision and real deployment. Built on this framework, we instantiate representative soccer contact skills, including goal-directed shooting and directional dribbling, through task-specific definitions of objects, commands, rewards, and curricula, and validate them through simulation, Noetix E1 real-robot experiments, and ablations.