研究人员使用碎片运动数据来训练人形机器人。
Galbot Robotics 于 3 月 16 日在其官方 X 手柄上发布了一段视频，展示了一个人形机器人与人类球员实时对打网球的镜头。
该演示展示了该公司与清华大学和北京大学的研究人员合作开发的 LATENT 系统。
该系统在 Unitree G1 人形机器人上进行了测试，该机器人展示了对快速移动的球做出反应、在球场上导航以及与人类对手进行对峙的能力。
“类人机器人首次能够以毫秒级的反应、精确的击球和自然的全身运动来维持高动态、长视野的网球对打，”加尔博特在 X 帖子中写道。
用有限的运动数据训练机器人
– Galbot (@GalbotRobotics)2026 年 3 月 16 日ð¤ 你的人形网球运动员就在这里！ð¤
隆重推出 LATENT（从不完美的人体运动数据中学习运动人形网球技能）——世界上第一个用于运动人形网球的实时全身规划和控制算法。
人形机器人第一次可以……pic.twitter.com/gCi38wxHVQ
训练机器人运动的关键挑战之一在于缺乏准确的人体运动数据。对于网球来说尤其如此，因为网球运动员覆盖的区域很大，球的速度可达 30 m/s，而球拍与球的接触仅持续几毫秒。
为了解决这个问题，研究人员避免记录完整的比赛。相反，他们专注于收集基本动作的短片段，例如正手、反手和侧步。
这些数据是使用运动跟踪系统在一个 3 × 5 米的紧凑球场内捕获的，该球场比标准网球场小 17 倍以上。总共五名玩家贡献了大约五个小时的记录运动数据。
从基本动作到协调的游戏玩法
使用此数据集，LATENT 系统首先训练机器人复制单个动作。
这些学习到的动作被组合成序列，使机器人能够执行特定的任务，包括触球、投篮以及返回球场上的指定位置。
为了提高现实世界的性能，该模型在模拟环境中进行了训练，其中关键物理参数（例如机器人和球的质量、摩擦力和空气动力学）是随机变化的。
这种方法有助于缩小模拟训练与现实条件之间的差距。
“我们的主要见解是，尽管不完美，此类准现实数据仍然提供了有关网球场景中人类原始技能的先验信息，”他们说。
“通过进一步的修正和组合，我们学习了一种人形策略，可以在各种条件下持续击打传入的球并将其返回到目标位置，同时保留自然的运动风格，”他们继续说道。
真实世界验证
在模拟测试中，该系统的正手击球成功率高达96%。当部署在真正的 Unitree G1 机器人上时，它展示了与人类球员保持对峙并持续将球返回到对手球场一侧的能力。
研究人员指出，这种方法可以扩展超越网球到其他难以捕获完整人体运动数据的领域，包括足球、羽毛球和其他与运动相关的机器人技能。
“尽管这项工作主要关注网球接球任务，但所提出的框架有可能推广到更广泛的任务，在这些任务中无法获得完整和高质量的人体运动数据，”他们总结道。
获取最新的工程、技术、空间和科学知识 - 每天发送到您的收件箱。
Atharva 是一位全职内容作家，拥有媒体和媒体研究生学位。娱乐和电子与电信研究生学位。他分别在体育和技术领域撰写过文章。在闲暇时间，Atharva 喜欢学习数字营销和观看足球比赛。他加入 Interesting Engineering 的主要目标是更多地了解最新的技术进步如何在社会和个人的日常生活中帮助人类。