自监督学习在足球检测及其他领域的应用：专访RoboCup 2025最佳论文奖得主

获奖研究背景

在RoboCup 2025研讨会上获得最佳论文奖的研究聚焦于自主足球机器人的关键技术——精准的足球检测。该研究由Can Lin、Daniele Affinita、Marco Zimmatore、Daniele Nardi、Domenico Bloisi和Vincenzo Suriani共同完成。

技术挑战与解决方案

核心问题

深度学习通常需要大量标注数据，这对于RoboCup等特定任务构成了挑战。研究团队需要自行收集和标注数据，这一过程既不可扩展又需要大量人力。

自监督学习框架

研究采用自监督学习方法，通过以下方式学习数据的有用表示：

• 使用 pretext 任务（如图像随机掩码补全）让模型从数据中学习有意义的特征
• 结合原始图像和来自大型教师模型的外部指导
• 利用在通用任务上预训练的YOLO模型提供边界框指导，帮助自监督学习聚焦特定任务

技术实现细节

• 目标：预测足球周围的紧密圆形
• 方法：使用预测松散边界框的预训练模型作为外部指导
• 优势：矩形边界框比圆形更具通用性

实际应用效果

RoboCup 2025部署成果

• 相比2024年基准模型有明显改进
• 最终训练所需数据量大幅减少
• 在不同光照条件下表现出更强的鲁棒性
• 解决了以往模型对特定场景过度适配的问题

技术迁移与应用拓展

农业领域应用

• 将球体检测器应用于精准农业中的圆形水果检测
• 参与CANOPIES项目，专注于永久作物的精准农业
• 开展葡萄检测和收获项目

代码复用愿景

• 建立源自RoboCup代码的单一软件平台
• 人形机器人可复用相同的稳定化、视觉核心和框架代码
• 通过模块更换实现完全不同的应用场景

团队发展与未来规划

技术路线演进

• 关注人形机器人新世代发展
• 参与2025年8月北京世界人形机器人游戏大赛
• 考虑加入新合并的联赛或转向成人尺寸机器人

研究重点

• 保持多智能体协调研究的传统优势
• 平衡硬件平台选择与研究目标
• 适应RoboCup联赛结构调整

技术展望

为实现2050年挑战目标，需要将各联赛整合，汇聚策略、硬件和协调等各个研究方面，形成统一的竞赛平台。