研究人员构建了一个实时规划与控制系统，使机器臂能够与人合作抛接球，维持单球、双球和三球模式。这项工作将人机协作从简单的协同操作推向快速、交互式的动态任务，需要持续的预测、适应和协调。
目录
研究人员做了什么
团队开发了一套完整的硬件软件系统，用于人机合作抛接球，采用Barrett WAM机器臂（可配置4至7自由度）。系统包含三个主要组件：球跟踪与预测管线、灵活的在线轨迹规划器、基于状态机的协调逻辑。
跟踪模块使用运动捕捉数据实时估计球的位置和速度，并预测未来轨迹。规划器不断优化机器臂末端执行器的轨迹，以拦截来球并同时规划下一次抛球。状态机管理抛接节奏：等待人抛球、移动到接球点、执行接球、然后抛回给人。所有组件以低延迟实时运行。
任务要求人与机器相对而立，每人用一只手交换球。机器人使用专用末端执行器，带有漏斗形接球表面以可靠捕获球，并配有释放机构用于抛球。系统通过安排接球和抛球事件，可同时处理多球在空中飞行。
关键成果
在具有不同技能水平的参与者用户研究中，机器人可靠地维持了单球、双球和三球抛接模式。该系统在一致性和最大球数方面显著超过了此前报告的人机合作抛接成果。单球接抛在机器人大部分可达工作空间内均可靠。
仿真实验表明，性能瓶颈源于球数增加带来的时间压力和球间碰撞。重规划架构以实时速率有效运行，仿真失败与实际模式吻合，证实了规划与控制方法本身并非限制因素。
成功率随接球位置变化——靠近工作空间边缘的球由于4自由度配置下接球漏斗方向受限，反弹率较高。作者报告称，系统并非受限于基本的接抛能力，而是受限于多球交换过程中人与机器人之间的互动动态。
工作原理
系统在三个紧密耦合的循环中运行：感知、规划和协调。
感知：运动捕捉系统高频跟踪球的3D位置。卡尔曼滤波器估计速度和加速度，然后使用考虑重力和空气阻力的简单弹道模型预测球的未来飞行路径。预测范围覆盖预期的接球时间，通常为300–500毫秒。
规划：轨迹规划器使用机器臂末端运动的样条参数化。它解决一个在线优化问题，在满足接球和抛球时间约束的同时最小化加速度和急动度。规划器每控制周期（约1–2毫秒）更新一次，从而快速适应人的抛球变化。当无球飞来时，机器人移至预备位置以保持节奏。
协调：有限状态机定义了四个主要状态：等待（机器人空闲，跟踪球）、接近（移动到预测接球点）、接球（闭合夹具，缓冲冲击）、抛球（在目标位置加速至释放速度）。状态之间的转换取决于球的位置、速度和到达时间阈值。对于多球，状态机安排重叠的接抛序列，并考虑球之间或球与机器人之间的潜在碰撞。
控制策略采用阻抗控制以实现安全交互——如果机器人未能接住球，它会顺应冲击而非刚性抵抗，从而减少损坏风险。
对机器人学的意义
这项工作表明，机器人能够参与快速、交互式且物理耦合的任务，而不仅仅是在慢速、可预测的场景中。合作抛接球是一个可扩展的基准：通过增加球数或改变交换模式来提高难度，同时保持底层交互结构不变。这使得它成为开发需要在不确定性下进行预测、适应和实时重规划的算法的有用测试平台。
这些技术可迁移到实际应用中，例如人与机器人需要快速传递物体的场景，如装配线、仓库订单履行或协作制造。该系统的即时重规划能力和补偿人类变异性能力，对于工业场景中的二手协作机器人和需与人工拣选员交互的仓库机器人直接相关。
状态机协调方法和在线轨迹优化可推广到其他动态操作任务，如接住掉落物体或在中空中分拣物品。随着人形机器人进入服务角色，抛接等技能对于流畅的人机交互至关重要。
局限性与开放问题
当前系统依赖外部运动捕捉，仅限于受控实验室环境。改用RGB或RGB-D感知是自然下一步，但会引入额外噪声和延迟。4自由度臂的运动学约束降低了工作空间边界附近的性能——7自由度配置可扩大抛接范围，但会增加质量和动态耦合。
最关键的是，多球协调仍然脆弱。随着球数增加，球间碰撞和时间压力导致失败。当前规划器独立处理每个球，并未明确避免球间碰撞或安排抛球以最小化干扰。作者指出，引入协调感知和多目标感知的规划是扩展到更密集模式的有前途方向。
最后，在紧密耦合的人机循环中，故障归因固有地困难——人抛球时机或机器人轨迹的微小偏差会迅速传播，使得隔离根本原因变得困难。
常见问题
什么是人机合作抛接球？ 人与机器人相对而立，通过每人一只手互相抛接一个或多个球的连续交换任务。
机器人如何在抛接过程中跟踪球？ 它使用运动捕捉摄像头高频测量球的位置，然后通过卡尔曼滤波器和弹道模型预测未来轨迹。
本研究使用了什么机器人硬件？ Barrett WAM臂，可配置4至7自由度，配有定制末端执行器，带有漏斗形接球表面。
当前系统的主要局限是什么？ 需要受控实验室条件（运动捕捉），在多球碰撞时表现不佳，在可达工作空间边界附近性能下降。
结论
这项研究表明，实时规划与控制能够实现可持续的多球人机抛接，显著推进了先前工作。系统的架构——预测跟踪、在线轨迹优化和状态机协调——为扩展到更密集的交互模式和更实际的应用提供了坚实基础。
我们距离能够在仓库或家庭等非结构化环境中接球的机器人还有多远？