论文导读
Noetix Robotics、清华大学提出DAVIS，让人形机器人仅根据头戴深度图、本体历史和任务指令，直接输出25自由度关节目标。系统在仿真与Noetix E1真机上展示了定向射门和盘带，运行时不需要额外的视觉检测或路径规划模块。
踢中球只是第一步
人形机器人射门时，身体运动会让头部摄像机剧烈晃动，球还可能暂时滚出视野。机器人必须一边靠近、一边调整身体与球门的相对位置，踢球后还要恢复平衡。如果把球检测、路径计算、落脚和接触分成多个模块，模块之间的误差会沿链条放大。
DAVIS将这个链条压成一个端到端策略。深度图说明眼前物体距离，本体历史提供身体近期怎么动，可选指令则告诉它射门方向或盘带目标。策略一步输出25自由度关节PD目标，不再单独调用球检测器和运动规划器。
头部深度图的输入分辨率为168×80。部署时，策略还会结合关节位置、关节速度、惯性测量单元数据和上一时刻动作，避免只凭单帧画面控制全身。
图：DAVIS实机序列展示Noetix E1接近足球、完成射门与定向盘带，右侧为头部深度视野。
训练时看得更多，部署时只留深度图
训练时，系统有更完整的物体位置和可见性信息，用来教策略学会球、障碍物和目标在哪。随着训练进行，输入逐渐从真值过渡到模型自己预测的几何信息，避免到真机时突然失去特权信息。论文还加入任务课程和动作先验，让机器人先学会站稳、接近和摆腿，再进入高冲击接触。
图：方法图将深度视觉、历史编码、多目标几何辅助头与不对称训练组合为一个可部署策略。
未来应用：射门、盘带都要经过视角变化
射门任务要求机器人将球朝指定目标区域踢出，盘带则要求它按给定方向推进球，同时保持自身稳定。团队在仿真中绘制了不同起脚位置和难度区域的成功率，也记录了典型成功轨迹中的落脚和球路。
图：射门评测给出不同距离和角度下的成功率扇区，右侧记录一条成功轨迹的左右足接触点与球路。
论文验证的是射门和定向盘带两类接触技能，不包含完整足球对抗中的队友协作、对手干扰和规则决策。后续可以沿着更复杂视野遮挡、对抗环境与多技能切换扩展，检验同一端到端策略能否稳定组织更长动作链。
足球任务的意义也不只在比赛本身。球的位置持续变化，机器人必须边走边看，还要在单脚支撑和高速摆腿时保持平衡，这些能力可迁移到移动操作与动态接触任务。但从演示走向通用能力，仍需报告更长时间、更多场地和不同光照下的成功率，并检验跌倒、球被遮挡或深度传感器失真时的恢复策略。25自由度说明控制范围，并不自动代表环境理解已经完整。
此外，射门成功和长期自主运行也不是同一指标：连续任务还会受到关节温度、电量与机械冲击累积的影响。
