VEX AI 16610A Level 5——首届 Robot Intelligence Award

背景

VEX AI 赛事要求机器人在动态环境中自主运行：移动的比赛道具、对抗的联盟机器人和严格的时间预算。16610A Level 5 于 2026 年在 UC Berkeley 举行的 VEX AI 赛事中以最高自主级别参赛。

挑战

机器人必须持续读取环境信息、估计自身状态、理解任务变化、评估多个行动方案，并在不确定条件下完成稳定控制——一切都在受限的本地算力上实时完成，全程无人工干预。

约束

• 所有推理在机器人本地边缘设备上完成，无云端往返
• 实时预算：感知、规划与控制在同一回路内
• 动态环境：道具与对手持续移动
• 赛规约束：自主阶段禁止任何人工输入

系统设计

• 感知：边缘视觉推理，识别目标、障碍物与任务状态
• 定位：多传感器融合，持续估计位置、朝向与运动状态
• 决策：RUR1 自主研发的专利级策略规划与决策算法，综合任务收益、执行时间、移动成本、资源状态、冲突概率和运行风险
• 执行：动态路径与轨迹生成，配合闭环运动控制
• 安全：条件恶化时触发异常处理与兜底行为

实现

整个系统栈以实时回路运行在机器人上。感知输出融合后的世界状态；策略规划层在严格时间限制内对照实时赛局评估候选行动；选定策略转化为路径、轨迹和电机指令，并通过执行反馈持续修正。机器人能根据场地状态变化调整任务优先级并重新评估行动方案。

可测结果

• 正式比赛中的自主导航与策略决策

  来源: 16610A codebase and system architecture documentation · 2026-05-01

• 首届 Robot Intelligence Award——VEX AI，UC Berkeley，2026

  来源: VEX AI event results, UC Berkeley, 2026 · 2026-05-01

经验沉淀

• ▸真正的自主能力来自感知、理解、决策、规划和控制之间稳定而可靠的协同，而不是某一个孤立算法。
• ▸多传感器融合胜过任何单一传感器：各源失效方式不同，融合恰好互补。
• ▸策略规划必须有安全兜底：条件恶化时机器人要保持产出，而不是停摆。
• ▸比赛压力下的测试能暴露实验室复现不了的失效模式。

技术栈

• 环境与目标感知
• 边缘 AI 推理
• 多传感器定位
• 状态估计
• 专利级策略规划
• 动态路径与轨迹生成
• 闭环运动控制
• 异常处理与安全机制
• 完整软硬件系统集成