项目背景与目标
在 RoboCup 机器人足球比赛中，机器人需要在没有外部定位设备辅助的情况下，仅依靠自身传感器持续判断自己在足球场中的位置和朝向。准确的自定位是机器人完成自主行走、球场导航、寻找足球、战术站位和团队协作的基础。当机器人长时间行走时，单纯依赖关节编码器或里程计会产生累计误差；而机器人相机虽然可以观察到足球场中的白线、球门和其他场地特征，但视觉观测本身又存在噪声、遮挡和误匹配。因此，一个真正能够用于机器人足球的自定位系统通常需要融合机器人自身运动信息和环境视觉信息，并通过状态估计方法持续修正机器人位置。
本项目要求学生使用 MuJoCo 搭建一个简化的 RoboCup 足球机器人仿真环境，并在仿真机器人上实现完整的自定位系统。学生需要自行完成机器人模型、足球场环境、相机和相关传感器的配置，使机器人能够在足球场中运动。同时，系统需要利用机器人自身的运动信息和相机获得的足球场视觉信息，对机器人在足球场中的位置和朝向进行实时估计。
项目不要求学生单纯训练一个从图像直接预测机器人坐标的神经网络，而是希望通过 MuJoCo 仿真建立一个具有明确物理意义的机器人系统，并研究“运动模型 + 视觉观测 + 状态估计”这一经典机器人定位框架。学生需要通过实验理解机器人为什么会产生定位漂移、视觉信息如何帮助机器人修正位置，以及不同状态估计方法在 RoboCup 足球场环境中的性能差异。
本项目的最终目标是构建一个能够在 MuJoCo 中运行的 RoboCup 机器人自定位系统。机器人在足球场中运动时，系统能够实时输出机器人估计的二维位置和朝向，并在足球场地图中显示真实轨迹、估计轨迹以及当前定位结果。
系统核心目标
本项目主要围绕 MuJoCo 仿真、机器人感知和自定位三个部分展开。
首先，学生需要在 MuJoCo 中建立一个简化的 RoboCup 足球机器人模型和足球场环境。机器人至少需要具有能够产生运动的身体模型、关节、相机以及用于获取自身运动信息的传感器。足球场需要按照给定的尺寸和场地标记进行建模，使机器人能够在仿真环境中观察到真实的足球场结构。
其次，学生需要从 MuJoCo 中获取机器人自身的运动信息和视觉信息。运动信息可以来自机器人关节状态、机身位姿、IMU 或自行计算的里程计；视觉信息则来自机器人头部或身体上的 RGB 相机。学生需要从相机图像中识别足球场中的有效特征，例如场地边线、中线、中心圆、禁区线、球门等，并将这些信息转换成能够用于定位的观测。
最后，学生需要设计状态估计系统，将机器人运动信息和视觉观测进行融合。系统至少需要实现一种基于概率状态估计的方法，并建议进一步实现 Particle Filter，与 EKF 等方法进行比较。通过连续仿真实验，分析不同方法的定位精度、稳定性和计算开销。
核心任务设计
任务一：MuJoCo 足球机器人与比赛环境建模（35分）
学生首先需要使用 MuJoCo 建立一个简化的 RoboCup 足球机器人仿真环境。机器人可以根据课程提供的基础模型进行修改，也可以自行建立简化的人形机器人模型。模型不要求完全复现真实 RoboCup 机器人，但需要具有合理的身体结构、关节和质量参数，并能够在足球场中完成基本运动。
机器人至少需要配置一个用于足球场观察的 RGB 相机，并能够从 MuJoCo 中获取机器人关节位置、关节速度、机身位姿和相机图像等信息。鼓励学生进一步配置 IMU 等传感器，并根据机器人运动信息计算简单的 odometry。
足球场需要在 MuJoCo 中建立完整的二维几何环境，包括场地边界、中心线、中心圆、禁区以及球门等主要结构。足球场中的关键线条和 landmark 应当具有明确的尺寸和全局坐标，使后续视觉定位可以利用这些信息。
学生需要设计一个能够让机器人在足球场中连续运动的实验场景。例如让机器人沿预先设定的路径行走，或者通过简单的控制器让机器人在足球场中自主移动。机器人运动轨迹由 MuJoCo 中的真实状态作为 Ground Truth，用于后续评价定位算法。
这一阶段重点考察学生是否能够正确理解 MuJoCo 中的机器人模型、坐标系、传感器和仿真状态，并建立一个能够支持后续定位算法的完整实验环境。
任务二：视觉感知与机器人运动信息提取（30分）
在建立 MuJoCo 仿真环境之后，学生需要实现机器人定位所需要的感知模块。机器人相机获得的图像应当能够反映足球场中的主要视觉结构，学生需要从图像中提取能够用于定位的信息。
基础要求可以采用传统计算机视觉方法，例如颜色分割、边缘检测、直线检测和几何特征提取。学生可以首先识别足球场中的白色场地线，再进一步判断这些线在机器人视野中的位置和方向。对于希望进一步探索的学生，也可以使用轻量级目标检测或语义分割网络辅助识别足球场 landmark。
与此同时，需要从 MuJoCo 中获取机器人自身的运动信息。可以利用机器人真实状态计算 Ground Truth，也可以根据关节和 IMU 等传感器信息构造机器人自己的 odometry。需要特别注意，Ground Truth 只能用于评价，不能直接作为定位算法的输入。
最终形成两类信息：一类是机器人认为自己“走了多远”的运动信息，另一类是机器人通过相机观察到的足球场信息。后续定位模块需要利用这两类信息估计机器人当前的位置。
任务三：机器人自定位与状态估计（35分）
学生需要在 MuJoCo 中实现机器人自定位算法，使机器人能够根据自身运动和视觉观测持续估计当前位置。
首先建议实现一个仅依赖运动信息的 baseline。机器人根据自己的 odometry 不断更新位置，并与 MuJoCo 中的真实 Ground Truth 进行比较。通过这个实验，学生应该能够观察到随着机器人运动时间增加，单纯依赖运动信息会逐渐产生累计漂移。
随后加入视觉观测，通过 EKF、UKF 或 Particle Filter 等方法实现视觉与运动信息的融合。其中至少需要完成一种概率状态估计方法；推荐使用 Particle Filter，因为 RoboCup 足球场中存在大量几何对称结构，机器人可能同时存在多个可能的位置假设，而粒子滤波能够自然表示这种不确定性。
Particle Filter 中的每一个粒子代表机器人可能的位置和朝向。机器人运动时，粒子根据运动模型进行传播；获得新的视觉观测后，根据该粒子位置与实际足球场结构之间的一致程度调整粒子权重。经过多次观测之后，大量粒子应该逐渐集中到真实机器人所在的位置附近。
学生还需要研究机器人在不知道初始位置的情况下能否通过视觉逐渐完成全局定位。可以让粒子在整个足球场中随机初始化，然后让机器人开始运动，通过连续视觉观测观察定位结果如何从一个高度不确定的状态逐渐收敛。
最终需要在 MuJoCo 中实时显示机器人真实位置和估计位置，并能够观察机器人运动过程中定位结果的变化。
任务四：定位性能分析与可视化
学生需要对完成的定位系统进行完整的实验评价。系统至少需要在足球场二维地图中显示机器人 Ground Truth 轨迹和估计轨迹，并显示当前机器人位置、朝向以及定位误差。
对于 Particle Filter，还需要可视化当前粒子分布，使用户能够直观看到机器人在不同时间点的定位置信度。例如可以展示机器人刚开始定位时粒子分布较为分散，随着视觉信息不断加入，粒子逐渐集中到真实位置附近。
学生需要至少比较以下几种情况：
仅使用 Odometry、视觉 + 状态估计、全局初始化后的 Particle Filter。
如果实现了 EKF/UKF，也可以进一步比较不同状态估计方法。
鲁棒性测试与评价指标
为了测试定位系统在实际 RoboCup 场景中的可靠性，需要在 MuJoCo 中人为增加一定程度的传感器误差和视觉误差。
可以通过增加 odometry 噪声、IMU 噪声、视觉检测误差以及短时间视觉失效等方式模拟真实机器人比赛中的情况。学生不需要针对每一种情况单独设计复杂实验，而是统一比较定位系统在不同噪声条件下的性能。
主要测试指标包括：
Position Error： 机器人估计位置与 MuJoCo Ground Truth 之间的平均距离误差。
Heading Error： 机器人估计朝向与真实朝向之间的角度误差。
RMSE： 衡量整个运动轨迹上的综合定位误差。
Localization Recovery Time： 当机器人定位发生较大偏差或者视觉短时间失效后，系统重新恢复到正常定位范围所需要的时间。
Computation Time： 单次定位更新所需要的计算时间，用于分析算法是否具有实时运行的可能性。
最终需要比较不同方法在定位精度、鲁棒性和计算效率上的差异。
推荐技术栈
- MuJoCo
- Python
- OpenCV
- PyTorch
- Particle Filter
- Matplotlib
预期成果
学生最终需要提交一个完整的 MuJoCo RoboCup 自定位系统，包括机器人和足球场仿真模型、机器人运动控制程序、视觉感知程序、定位算法以及结果可视化程序。
系统运行时，机器人能够在 MuJoCo 足球场中运动，并实时输出自身估计的位置和朝向。系统应当能够同时显示机器人真实轨迹和估计轨迹，并能够展示定位误差以及定位状态。
学生还需要提交一份技术报告，报告中需要说明机器人模型设计、传感器配置、视觉感知方法、状态估计方法、实验结果以及误差来源。
评分标准
| 模块 | 分数 | 主要评价内容 |
|---|---|---|
| MuJoCo机器人与足球场建模 | 35 | 机器人模型、相机、传感器、足球场、运动控制 |
| 视觉与运动信息提取 | 30 | 场地特征检测、运动信息、观测构建 |
| 自定位算法 | 25 | 状态估计、Particle Filter / EKF、定位效果 |
| 实验分析与可视化 | 10 | 轨迹、误差、粒子分布、技术报告 |
| 总计 | 100 |
完成基础任务后，可以通过实现视觉深度学习、传感器融合、全局重定位、动态遮挡处理等进阶功能获得额外加分。
参考文献
- https://docs.b-human.de/coderelease2023/perception/localization-features/
- Hou, R., Zhu, M., Nam, H., Fernandez, G. I., & Hong, D. W. (2026, July). Fast and robust localization for humanoid soccer robot via iterative landmark matching. In 2026 23rd International Conference on Ubiquitous Robots (UR) (pp. 163-170). IEEE.
- Nadiri, F., Banirostam, T., & Rad, A. B. (2025). On a novel localization methodology for humanoid soccer robots via sensor fusion and perspective transformation. International Journal of Intelligent Robotics and Applications, 9(4), 1577-1593.