🧠 行为决策系统 (dbehavior)

行为决策系统是机器人足球应用的"大脑"，负责根据场上情况做出智能决策，控制机器人的行为和策略。

📋 系统概述

dbehavior 模块基于行为树架构，提供分层的决策框架：

• 行为树引擎：灵活的任务调度和执行
• 多角色支持：前锋、后卫、守门员、点球手
• 技能系统：可复用的动作原语
• 团队协作：多机器人角色分配和协调
• 比赛状态管理：响应裁判指令

🎯 核心概念

1. 行为树 (Behavior Tree)

行为树是一种分层决策结构，由节点组成：

节点类型：

• Sequence（顺序）：依次执行子节点，全部成功才成功
• Selector（选择）：依次尝试子节点，一个成功即成功
• Parallel（并行）：同时执行多个子节点
• Decorator（装饰）：修改子节点行为（重复、反转等）
• Action（动作）：执行具体动作
• Condition（条件）：检查条件

示例行为树：

Striker (前锋)
├─ Selector
   ├─ Sequence [踢球]
   │  ├─ Condition: 球在附近?
   │  ├─ Condition: 对准球门?
   │  └─ Action: 踢球
   ├─ Sequence [追球]
   │  ├─ Condition: 看到球?
   │  └─ Action: 走向球
   └─ Action: 搜索球

2. 角色系统

Striker (前锋)

职责：主动进攻，追球射门

行为优先级：

1. 如果球在脚下且对准球门 → 射门
2. 如果看到球 → 追球
3. 如果球权在队友 → 跑位接应
4. 否则 → 搜索球

配置参数：

striker:
  kick_distance: 0.15  # 踢球距离阈值
  approach_speed: 0.3  # 接近球的速度
  shoot_angle: 0.3     # 射门角度容差

Defender (后卫)

职责：防守站位，拦截对手

行为优先级：

1. 如果对手带球接近 → 拦截
2. 如果球在防守区域 → 清除
3. 否则 → 防守站位

站位策略：

• 保持在球和己方球门之间
• 距离球门 1-2 米
• 根据球的位置调整站位

Goalkeeper (守门员)

职责：守护球门，扑救射门

行为优先级：

1. 如果球快速接近 → 扑救
2. 如果球在禁区内 → 出击
3. 否则 → 守门站位

扑救策略：

def dive_direction(ball_position, ball_velocity):
    # 预测球的轨迹
    predicted_pos = ball_position + ball_velocity * 0.5

    # 判断扑救方向
    if predicted_pos.x < -0.2:
        return "left"
    elif predicted_pos.x > 0.2:
        return "right"
    else:
        return "center"

PenaltyKicker (点球手)

职责：点球大战专用策略

执行流程：

1. 对准球门
2. 选择射门角度（左/右/中）
3. 助跑
4. 射门

3. 技能系统 (Skills)

技能是可复用的动作原语，封装了具体的执行逻辑。

常用技能：

WalkToBall（走向球）

class WalkToBall(Skill):
    def execute(self, blackboard):
        ball = blackboard.get('ball_position')
        robot = blackboard.get('robot_position')

        # 计算目标位置（球后方）
        target = ball - normalize(ball - robot) * 0.2

        # 发送行走指令
        self.motion.walk_to(target)

        # 检查是否到达
        if distance(robot, target) < 0.05:
            return Status.SUCCESS
        return Status.RUNNING

KickBall（踢球）

class KickBall(Skill):
    def execute(self, blackboard):
        goal = blackboard.get('opponent_goal')
        ball = blackboard.get('ball_position')

        # 计算踢球方向
        kick_direction = normalize(goal - ball)

        # 选择踢球方式
        if abs(kick_direction.angle) < 0.2:
            kick_type = "forward"  # 正脚背
        else:
            kick_type = "side"     # 内脚背

        # 执行踢球
        self.motion.kick(kick_type, power=0.8)
        return Status.SUCCESS

SearchBall（搜索球）

class SearchBall(Skill):
    def execute(self, blackboard):
        # 原地旋转搜索
        self.motion.turn(speed=0.3)

        # 检查是否找到球
        if blackboard.get('ball_detected'):
            return Status.SUCCESS
        return Status.RUNNING

4. 黑板系统 (Blackboard)

黑板是行为树节点间共享数据的机制。

存储的数据：

blackboard = {
    # 视觉信息
    'ball_position': [x, y],
    'ball_detected': True,
    'opponent_goal': [x, y],
    'own_goal': [x, y],
    'obstacles': [...],

    # 机器人状态
    'robot_position': [x, y, theta],
    'robot_fallen': False,
    'battery_level': 0.85,

    # 比赛信息
    'game_state': 'playing',
    'team_color': 'blue',
    'role': 'striker',

    # 团队信息
    'teammates': [...],
    'ball_owner': 'robot_2',
}

🎮 比赛状态管理

比赛阶段

Initial（初始）

• 机器人站立，等待就绪信号
• 不允许移动

Ready（就绪）

• 机器人走到初始位置
• 准备开球

Set（准备）

• 保持静止
• 等待开球哨声

Playing（比赛中）

• 执行角色行为
• 自主决策和行动

Finished（结束）

• 停止所有动作
• 等待下一轮

裁判指令响应

def handle_game_controller(gc_info):
    if gc_info.state == 'INITIAL':
        robot.stand()
    elif gc_info.state == 'READY':
        robot.walk_to_initial_position()
    elif gc_info.state == 'SET':
        robot.stop()
    elif gc_info.state == 'PLAYING':
        robot.execute_role_behavior()
    elif gc_info.state == 'FINISHED':
        robot.celebrate() if gc_info.team_won else robot.stand()

🤝 团队协作

角色分配

动态角色分配算法：

def assign_roles(team_robots, ball_position):
    # 计算每个机器人到球的距离
    distances = [distance(r.position, ball_position) for r in team_robots]

    # 最近的机器人当前锋
    striker_idx = distances.index(min(distances))
    team_robots[striker_idx].role = 'Striker'

    # 其他机器人根据位置分配角色
    for i, robot in enumerate(team_robots):
        if i == striker_idx:
            continue
        if robot.position.y < 0:  # 后场
            robot.role = 'Defender'
        else:  # 前场
            robot.role = 'Supporter'

信息共享

机器人通过网络共享信息：

• 球的位置
• 自身位置
• 当前角色
• 目标位置

🔧 配置与调优

行为参数配置

# dbehavior/config/behavior.yaml
behavior:
  # 决策频率
  update_rate: 30  # Hz

  # 角色参数
  striker:
    aggressive: 0.8
    kick_distance: 0.15
    approach_speed: 0.3

  defender:
    defensive_distance: 2.0
    intercept_threshold: 1.0

  goalkeeper:
    dive_threshold: 0.5
    position_offset: 0.3

  # 技能参数
  skills:
    walk_speed: 0.25
    turn_speed: 0.5
    kick_power: 0.8

调试工具

行为树可视化：

# 启动行为树可视化工具
rosrun dbehavior behavior_tree_viewer

日志输出：

# 在代码中添加日志
self.logger.info(f"Executing skill: {skill_name}")
self.logger.debug(f"Blackboard: {blackboard}")

📊 性能指标

指标	数值
决策频率	30 Hz
响应延迟	<100ms
CPU 占用	~20%
角色切换时间	<1s

🔗 相关文档

• 视觉系统 - 提供决策所需的感知信息
• 运动控制 - 执行决策指令
• 网络通信 - 团队协作通信

💡 常见问题

Q: 如何添加新的角色？ A: 创建新的行为树文件，实现角色逻辑，在配置中注册。

Q: 如何调整决策优先级？ A: 修改行为树结构，调整 Selector 节点中子节点的顺序。

Q: 机器人反应太慢怎么办？ A: 提高 update_rate，优化技能执行效率，减少不必要的计算。

Q: 如何实现新的技能？ A: 继承 Skill 基类，实现 execute 方法，在技能库中注册。