带球的机器人：球在脚下，偏偏看不见

规则很简单：你是 T1 的大脑，你的眼睛是额头上的一台深度相机——只能看到面前一个固定的扇形，脖子不归你管。想象你端着一碗汤走路：眼睛可以一直盯着碗；现在把眼睛焊在额头上，碗一端到胸口，就看不见了。拖动滑块，把球从两米外一路带到脚边，盯着右上角那格「相机画面」。

看到了吗：球在一米开外时一切都好；滚进半米——正是你要出脚碰它的距离——金色的球从画面下边缘掉了出去。这不是设计失误，是人形机器人的身体结构决定的：越是需要精细控球的时刻，球离相机的盲区越近。再加上场上还有对手的腿来回晃，遮挡不是意外，是常态。论文实测：整场带球下来，球出现在相机画面里的时间只有大约四分之三——剩下四分之一，机器人是「盲踢」的。

带球，是一场大部分时间看不见球的运动。那看不见的时候怎么办？过去十年，机器人足球有一套标准答案。

标准流水线分两步：一个检测器（比如 YOLO，白话：在照片里一眼框出球的模型）负责「球在哪」；一个卡尔曼滤波器（白话：按惯性续猜的记账员）负责在看不见的帧里把估计续上——球刚才往右滚，那它现在应该滚到这儿了。这套组合在受控环境里工作得不错。但惯性猜有一个天生的软肋：它猜不到看不见的地方发生的事。下面的动画会自动重播，点两个按钮，对比球「擦到柱子」和「顺利通过」两种情况：

注意灰色的幽灵球：进入阴影带之后，它老老实实沿直线走——记账员只会按惯性记账。「顺利通过」时这没问题，幽灵和真球在出口处重逢；「擦到柱子」时，真球被弹向一边，幽灵却继续直行，机器人一路追着幽灵跑，最后停在一片空草皮上。球越快、遮挡越多、对手越活跃，这种分家就越频繁。

病根比「猜不准」更深一层。这条流水线上，感知模块是单独训练、单独打分的——它的考卷是「框住球的像素坐标，越准越高分」。可是没有人问过它一句：你报出来的这些信息，够不够用来踢球？控制器需要什么，感知不知道；感知报了什么没用，控制器也没法退货。看得准 ≠ 够用来踢——感知优化的目标函数里，根本没有「踢球」两个字。

那好办，把相机直接接进强化学习，感知控制一锅端，端到端从零练一个？先押个注。

如果你是这篇论文的作者，你会怎么让「看」为「踢」打工？三个方案，选一个：

论文选了第二条，业内叫 RMA 路线（白话：特权学习——先开天眼）。第一条路的问题很实际：强化学习要试错几千万步，每一步都拖着一个视觉网络跑，图像又是高维输入、奖励又稀疏，既贵又难收敛。而第二条路把一个难题拆成了两个各自都好解的题：第一阶段只学踢球——训练时直接把仿真器里的真值喂给策略：球的位置速度、最近障碍的位置速度，一共就几个数字，这就是「天眼」；第二阶段只学看球——策略冻结不动，训练一双眼睛（一个卷积网络提特征，接一个会记住前几眼的循环网络），从 108×192 的深度图里，写出和天眼同一张小抄。

像学开车：教练坐在副驾，直接报「右后方有车」（天眼）；你先跟着报路况的声音学会开。拿到驾照那天教练下车了——你必须自己从后视镜的画面里，读出教练会说的那句话。下面这座桥，左边是两种「眼睛」，右边是同一个「脑子」。切换 Phase，再拖动球的方向，注意右边那一栏动没动：

两个 Phase 之间，右边的策略一个字都没变——变的只是小抄怎么写出来：Phase 1 由天眼直接抄真值，Phase 2 由眼睛从深度图里猜。训练这双眼睛的考题就一道：你写的 64 个数字，和天眼写的差多少（外加两道附加题：顺便报出球和障碍的位置速度，防止它学出一手谁也看不懂的密码）。再点「把球挡住一秒」看看：深度图里球没了，但那个会记住前几眼的循环网络凭记忆把小抄续写下去——这正是卡尔曼记账员的活儿，只不过这一次，「怎么猜」是跟着「踢球有没有变好」一起练出来的，而不是按一条写死的惯性公式。

不换脑子，只换眼睛——眼睛的考题不是「看清世界」，而是「写出策略习惯的那张小抄」。好，眼睛和脑子都齐了。把会抢球的对手直接扔进场里练？论文试过类似的跳级——结果值得先押一注。

训练分四个年级，一级只加一个难度：Stage 0，空场，球在远处——学会走过去、把球往旗子带；Stage 1，球贴在脚边——学精细控球；Stage 2，球和旗子之间立一根静止的柱子——学绕行；Stage 3，柱子活了，会主动追着球跑——学随机应变。升班时还有一个防身符：每个新年级的策略都被一根皮筋拴在 Stage 0 的自己身上（术语叫 DAgger 正则，白话：新技能学出格了就被拉回来一点），防止「学会躲人、忘了走路」的灾难性遗忘。

问题是：课程表真的必要吗？先押注：只读完 Stage 1（会控球、没见过任何障碍）的毕业生，直接考「抢球者」考场，成功率是多少？

答案是 2%——五十次里成一次。没见过会动的东西，就完全不会对付会动的东西；「基本功扎实」在对抗面前几乎一文不值。下面是完整的跳级测验：选一个年级的毕业生，再选一个考场，成绩全部来自论文的消融实验：

这张表里藏着一个小戏剧：Stage 2 的毕业生在空场只考了 68 分——比 Stage 1 的 100 分还低。学了躲柱子，把直线冲刺学忘了一点，这就是灾难性遗忘露出的尾巴；到 Stage 3，皮筋加上更难的课程又把它拉回 90。难度要一级一级喂，皮筋要一直拴着——跳级的代价是 2%。

四个年级读完、眼睛也换好了，全套毕业生上考场。成绩单有一处特别值得盯着看。

三个考场，各考五十次：空场 100%，静止柱子 96%，抢球者 46%。掉了一半还多——第一反应多半是「看不过来了吧」。真的吗？点下面四个指标挨个看，同样三个考场并排比：

把「成功率」和「球位置误差」两个视图来回切几次：成功率塌了 54 个百分点，眼睛对球位置的估计误差只从 5 厘米涨到 8 厘米——几乎是平的。再看「摔倒率」：抢球者考场 52% 的失败里，绝大多数是摔倒——对手贴身冲撞打破了平衡。最后看「绕行角」：被对手堵住时，球的实际走向偏离指令方向 43°——这不是失控，是策略在故意绕开对手，绕完再回到旗子的方向。

拼起来，诊断就清楚了：感知这门课及格了——挂科的是和活人过招的体育课。眼睛稳定地报出球和对手在哪，但双腿在高速对抗里保平衡、控球、绕行三线作战，还打不过一根会跑的柱子。瓶颈从「看」挪到了「打」——对一篇论文来说，这是个诚实而有价值的坐标。

零件都见过了：视野扇形（第 1 节）、凭记忆续写的小抄（第 3 节）、绕行 43°（第 5 节）。现在它们装在同一台机器人身上，球场交给你。选考场、拖动红柱子摆位、调对手速度，然后开球。挑战：把对手速度拉满到 0.4 m/s，连开十球——看看你能不能超过论文的 46%。

开几球就能摸到那台机器人的处境：对手慢的时候，绕行绰绰有余；速度一上来，每次贴身接触都是一次平衡考验，摔倒说来就来。你现在对「46%，其中 52% 的失败是摔倒」这行数字的体感，应该和读摘要时不一样了。

放下遥控器，交代一下你刚才玩的东西的真身。这是 Sapienza 罗马大学（联合 CSIC-UPC、EPFL）2026 年 7 月的论文《Vision-Based Dribbling for Humanoid Soccer via Privileged Representation Learning》：在 mjlab 仿真器里，用两阶段特权蒸馏 + 四级课程，训练 Booster T1 人形机器人只靠头戴深度相机带球——空场 100%、静桩 96%、抢球者 46%，并诚实地诊断出瓶颈在对抗控制而非感知。全部实验都在仿真里，作者把 sim-to-real 列为下一步。

值得带走的不是 46%，是这篇论文对「感知」的摆位。你在第 1 节亲手把球拖出视野——看不见是身体结构注定的；在第 2 节看着机器人追幽灵扑空——因为感知的考卷上没有「踢球」；在第 3 节切换 Phase 时右边纹丝不动——原来眼睛可以是为某个特定的脑子定制的器官。这和VistaVLA给机械臂造「心里的地图」、SONIC让走路从一亿帧人影里长出来，是同一条河：具身智能的感知，正在从「看清世界」的独立模块，变成「为行动服务」的定制器官。眼睛为脚打工——这五个字，值得你在下一篇机器人论文里再验证一次。