# wrighteaglebase

**Repository Path**: origin0722/wrighteaglebase

## Basic Information

- **Project Name**: wrighteaglebase
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: BSD-2-Clause
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2025-03-10
- **Last Updated**: 2025-10-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Team Mayfly
仓库地址：https://gitee.com/origin0722/wrighteaglebase
*蜉蝣的生命虽短，但在有限的时间内也能展现出美丽与活力*

-希望我们的队伍像蜉蝣一样，在有限的机会中全力以赴，创造辉煌！

## Mayfly -- 基于RoboCup 2D Soccer Simulation平台的足球仿真团队实现（底层代码WrightEagleBase）

## 项目概述

WrightEagle Base是一个基于RoboCup 2D Soccer Simulation平台的足球仿真团队实现。本项目由中国科学技术大学多智能体系统实验室开发，旨在提供一个高性能、可扩展的足球仿真基础框架。
我们在前辈们的开源代码中进一步加入自己的想法，并加入了一些创新功能，如高位逼抢、区域防守、传球精度优化、球员协同系统等，并将球队更名为Mayfly。

Mayfly小组成员：
- 张睿杰
- 邹富强
- 胡欣
- 侯翔
- 王鸿哲
- 钱静雯


## 主要特性

- 完整的足球仿真智能体实现
- 多种战术阵型支持
- 高级决策系统
- 精确的球员定位和状态估计
- 高效的团队协作机制
- 可扩展的行为框架

## 项目代码结构解读

### 核心模块

- **WorldModel**: 世界模型模块，负责处理和维护比赛环境的状态信息
  - `WorldModel.h/cpp`: 定义了世界模型的基本结构和接口
  - `WorldState.h/cpp`: 维护当前世界状态的数据结构
  - `InfoState.h/cpp`: 处理信息状态的更新和管理

- **Agent**: 智能体模块，实现球员的基本行为和决策
  - `Agent.h/cpp`: 智能体的主要实现
  - `Strategy.h/cpp`: 策略选择和执行
  - `Formation.h/cpp`: 阵型管理和调整

- **Behavior**: 行为模块，定义了球员的各种具体行为
  - `Behavior.h/cpp`: 行为基类
  - `BehaviorPass.h/cpp`: 传球行为
  - `BehaviorShoot.h/cpp`: 射门行为
  - `BehaviorDribble.h/cpp`: 带球行为
  - `BehaviorBlock.h/cpp`: 防守行为
  - `BehaviorHighPress.h/cpp`: 高位逼抢行为
  - `BehaviorZoneDefense.h/cpp`: 区域防守行为

- **Planner**: 规划模块，负责行为的规划和执行
  - `Planner.h/cpp`: 规划器基类
  - `InterceptPlanner.h/cpp`: 拦截规划
  - `PassPlanner.h/cpp`: 传球规划

- **Utilities**: 工具模块，提供各种辅助功能
  - `Geometry.h/cpp`: 几何计算工具
  - `Parser.h/cpp`: 消息解析工具
  - `Logger.h/cpp`: 日志记录工具

### 数据流向

1. 服务器发送感知信息到Agent
2. WorldModel处理和更新世界状态
3. Strategy根据当前状态选择合适的行为
4. Behavior执行具体行为并返回命令
5. Agent将命令发送回服务器

### 关键算法

- **状态估计算法**: 使用卡尔曼滤波器估计球员和球的位置和速度
- **路径规划算法**: A*算法用于球员移动路径规划
- **决策树算法**: 用于行为选择的决策树实现
- **协同算法**: 基于角色和位置的球员协同机制

## 创新功能
### 高位逼抢

实现了高位逼抢行为（High Press），当对手控球时，我方球员会根据战术需要主动向前场施压，打断对手的组织进攻。

主要特点：
- 智能判断逼抢时机
- 动态计算逼抢强度
- 多球员协同逼抢
- 基于角色的逼抢分工

高位逼抢功能通过`BehaviorHighPress`类实现，包括计划器和执行器两部分。

### 区域防守

实现了区域防守行为（Zone Defense），球员不再简单盯人，而是负责特定区域的防守责任，提高了防守的整体性和灵活性。

主要特点：
- 动态区域分配
- 防守优先级计算
- 区域半径自适应调整
- 基于角色的防守分工

区域防守功能通过`BehaviorZoneDefense`类实现，包括计划器和执行器两部分。

### 传球精度优化

实现了传球精度优化模块（Passing Precision），大幅提高了传球的准确性和成功率。

主要特点：
- 最优传球力度计算
- 传球风险因子评估
- 传球落点预测
- 传球角度微调
- 边界风险评估
- 拦截风险计算

传球精度优化功能通过`PassingPrecision`类实现，与`BehaviorPass`类紧密集成。

### 快速传中

实现了快速传中功能（Quick Cross），显著提升了边路进攻的效率和威胁性。

主要特点：
- 智能传中时机判断：基于接应队友和对手防守队员的位置动态判断
- 传中落点精确计算：考虑接应队友的速度和方向，计算最优落点
- 传中力度智能控制：根据距离和风速等因素自动调整传球力度
- 传中轨迹优化：通过贝塞尔曲线优化传球弧线，提高传中成功率
- 多目标评估系统：同时评估多个接应点，选择最具威胁的传中方案
- 防守预判闪避：预判对手防守球员的干扰，适时调整传中角度

快速传中功能通过`BehaviorCross`类实现，与`TeamCoordinator`类紧密配合，大大提升了边路进攻转化率。

### 带球决策多步预测

优化了BehaviorDribble.cpp中的对手预测功能，实现了多步预测来提高带球决策的准确性。

主要特点：
- 多周期预测：预测未来5个周期的对手位置变化
- 加速模拟：考虑对手可能的冲刺行为，模拟最大功率冲刺情况
- 安全评分系统：基于预测位置计算带球方向的安全系数
- 移动趋势分析：分析对手是否正在接近目标点，动态调整安全评分
- 体能消耗考量：将球员体能状况纳入决策因素
- 快速带球优化：在安全情况下实现更高效的带球推进

带球决策多步预测功能通过改进`BehaviorDribblePlanner`类实现，显著提高了带球的安全性和效率。

### 球员协同系统

实现了球员协同系统（Team Coordinator），提高了团队整体配合的流畅性和效率。

主要特点：
- 协同意图注册与共享
- 球员间协同评分计算
- 团队整体协同评分
- 最佳协同目标选择
- 高位逼抢和区域防守的角色分配
- 阵型动态优化

球员协同系统通过`TeamCoordinator`类实现，为各种行为提供协同支持。

## 优化BehaviorBlock.cpp中的防守策略
  增强对前锋的防守能力，主要包括：改进对前锋位置和移动趋势的预判，优化防守位置选择，以及完善后卫之间的协同防守。优化了BehaviorBlock.cpp中的防守策略，主要改进包括：

- 增强了对前锋突破的预判能力，通过分析前锋的位置和移动趋势来预测其进攻意图
- 优化了防守位置的选择算法，当对手是前锋时采取更积极的防守策略，更靠近前锋以阻断其突破路线
- 完善了对边路传中的防守，增加了对禁区内前锋接应的防守策略
- 根据前锋的移动方向动态调整防守位置，提高了防守的针对性和有效性
这些改进使后卫能更好地封锁前锋的进攻路线，提高了防守的效果。

## 对方前锋发起进攻时，后卫封锁前锋进攻路线
优化后卫对前锋的防守能力。主要从以下几个方面入手：
在BehaviorBlock类中改进防守决策逻辑，增强对前锋位置和移动趋势的预判；
优化防守位置选择算法，使后卫能更好地封锁进攻路线；
完善后卫之间的协同防守机制，形成更紧密的防线；
改进视觉系统，提高对危险情况的感知能力。
- 增强了对前锋突破的预判能力，通过分析前锋的位置和移动趋势来预测其进攻意图
- 优化了防守位置的选择算法，当对手是前锋时采取更积极的防守策略，更靠近前锋以阻断其突破路线
- 完善了对边路传中的防守，增加了对禁区内前锋接应的防守策略
- 根据前锋的移动方向动态调整防守位置，提高了防守的针对性和有效性

### 配置文件

- `conf/player.conf`: 球员配置
- `conf/server.conf`: 服务器配置
- `formations/`: 阵型配置目录

## 开发计划

根据TODO.md文件，未来开发计划包括：

- 实现深度学习，让我们的mayfly能在与其他队伍的比赛中不断优化学习
- 完善详细的行为实现

## 贡献者

底层代码由中国科学技术大学多智能体系统实验室开发


## 许可证

本项目遵循开源许可证，详见LICENSE文件。