读《Tracking the Unseen: An Occlusion-Robust Framework for Target Tracking Under Full and Long-Term Occlusion》时，很容易想到机器人乒乓球：相机暂时看不见球，能否先预测它的轨迹，等它回来再用实测结果修正模型？两者确实有共同的“观测中断”问题，但论文解决的是视频目标框的连续跟踪，并没有建立乒乓球的三维飞行模型。

论文怎样补上遮挡期间的轨迹？

论文采用三段流程：YOLO 检测目标；检测中断时，由卡尔曼滤波器预测目标框位置；目标重现后，用外观特征帮助找回原来的身份。

其运动状态包含目标框的中心 ((x,y))、面积 (s)、宽高比 (r)，以及中心和面积的变化速度。预测使用恒速模型：
$\mathbf{x}{k|k-1}=F\mathbf{x}{k-1|k-1}$

论文第 3.2.2 节对遮挡期的处理说得很明确：

“During occlusion, the correction step is skipped and the filter predicts forward using only the motion model.”

也就是说，没有检测结果时，滤波器只能沿既有运动趋势外推，不能从被遮挡的画面中获得新的位置证据。论文还让过程噪声协方差随遮挡时长增大：预测时间越远，系统承认的位置不确定性越高。这是对信心的调整，不是对运动规律的改进。

长期遮挡后，预测框可能已经偏离真实位置。论文因此加入外观重识别：新目标出现时，比较它与历史目标的外观特征，尝试把两段轨迹接回同一个身份。这对多目标跟踪有用，但外观重识别本身不负责计算遮挡期间真实走过的路径；对于画面里通常只需跟踪一颗球的场景，也未必是主要矛盾。

球重新出现，模型会不会“吸取教训”？

要区分两种校正。

第一种是论文采用的滤波状态更新。 检测重新匹配成功后，卡尔曼滤波器用新观测与预测的差值修正当前状态：
$\mathbf{x}{k|k} =\mathbf{x}{k|k-1} +K\bigl(\mathbf{z}k-H\mathbf{x}{k|k-1}\bigr)$

之后的预测从修正后的状态继续。论文还说明，成功匹配后会将先前增大的过程噪声设置重置。依据仍是第 3.2.2 节，式 (4)–(5)。

第二种是动力学参数辨识。 它没有把重新出现后的整段实测轨迹拿来回溯遮挡区间，再据此估计阻力、旋转等物理参数。论文结论反而指出，恒速假设在目标突然变速或非线性运动时会失效。一次“当前位置估计被拉回来了”，不能等同于“预测模型学会了为何预测错”。

换成乒乓球，该预测什么？

乒乓球需要的是三维位置、速度、旋转，以及触桌和触拍后的状态变化。二维框的恒速外推不足以描述这些过程。可以从可见轨迹估计球的初始位置与速度，再用重力、空气阻力和马格努斯力传播视场外的状态；发生触桌或触拍时，切换到相应的碰撞模型。输出最好包含落点、到达时间及不确定范围，而不是一条看似精确的细线。

这不是要求从第一天就训练神经网络。Tebbe 等人在《Spin Detection in Robotic Table Tennis》中比较了观察球面标志和根据飞行轨迹估计旋转的方法；论文摘要说明，后一种方法利用马格努斯力对轨迹的影响推断旋转，并在其实验中取得最佳结果。它证明了轨迹本身可以提供旋转信息，不代表任何短暂、稀疏的深度相机观测都足以唯一确定旋转。

若预测的是机器人自己刚击出的球，触拍瞬间的拍面姿态、接触点、线速度和角速度值得记录，可作为出拍速度与旋转的先验；拍面运动却不是球旋转的直接真值。若预测的是对手击来的球，本机拍面状态更不能解释对手出拍时施加的旋转。

更复杂的模型确有依据。Yang 等人在《Physics Models for Sim-to-Real Transfer in Professional-Level Robot Table Tennis》中，把飞行加速度写成阻力、马格努斯力和重力之和，并令阻力与马格努斯系数随雷诺数、旋转比变化；触桌、触拍另建模型。作者在方法部分说明，他们先逐条轨迹拟合系数，再建立系数与这些运动条件的关系。这比给所有球、所有速度套一个固定系数更有针对性，但仍需用自己的球、拍、相机与场地数据验证，不能照搬论文中的误差数字。

怎样让预测真正形成闭环？

我会把闭环拆成两层，而不是让机器人在每次球重现时立即改写全部模型参数。

回合内，更新状态。 球离开视场时，保存一份只使用当时观测生成的预测；球重现后，先确认是否为同一段飞行、期间是否触桌，再用新观测更新当前位置、速度及其不确定性，供本次后续决策使用。事后可以回溯平滑整条轨迹，但它无法改变机器人在球不可见时已经作出的动作。

跨回合，校准模型。 保存每次离场时的预测、重现后的轨迹、实际落点与到达时间，按速度、旋转条件和失明时长分析误差。如果物理基线在某些条件下持续偏向同一方向，先重新辨识阻力、马格努斯或碰撞参数；仍有稳定残差，再考虑训练小型修正模型。训练和评估必须按完整回合分开，并且只给预测器提供决策当时可获得的信息，否则用未来观测“预测”过去，离线成绩再漂亮也无助于实机击球。

最终要看的不是轨迹图是否平滑，而是不同视场外时长下的落点误差、到达时间误差、不确定范围覆盖率，以及推理延迟。如果球在视场外还发生了未观测到的碰撞，单靠飞行模型无法可靠补全；优先改善相机覆盖和时间同步，比继续加大网络更直接。

结论

原论文提供了一个清楚的基线：观测消失时外推，重现后匹配并修正状态，同时承认不确定性增长。机器人乒乓球需要在此之上加入三维空气动力学、旋转与碰撞事件。是否训练模型，应由自己设备上的系统性预测误差决定；训练后的调优也应依靠真实使用时冻结的预测与后续实测之间的差距，而非只看拟合历史轨迹的误差。