什么值得买App下载 App ›
连续签到专享现金活动

人形机器人「网球运动员」来了!不靠预编程,银河通用破解长程打网球难题

在所有运动场景中,网球几乎是人形机器人面临的最难考题。面对高速来球,机器人需在毫秒级时间内完成瞬时判断,并通过全身协同实现高质量回球,同时在满场奔跑中持续维持爆发力与控制力。传统机器人运动依赖预编程动作,难以应对这种高动态、高对抗的环境。银河通用与清华大学联合团队提出了LATENT(Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data)框架,首次在人形机器人上实现了高动态网球对打,标志着机器人从“机械复刻动作”向“智能决策响应”的底层跨越。
01行业痛点:高质量数据的获取瓶颈
传统的人形机器人运动学习通常依赖高质量的遥操作数据进行模仿学习。然而,在网球等高动态运动场景中,获取完美的专家数据极为困难。完整记录一场网球比赛所需的人体运动,需要高精度、大范围的动捕系统以及精准的手部击球动作捕捉,这导致数据获取昂贵且几乎不可复制,限制了机器人在复杂运动场景中的应用能力。
02解决方案:从不完美数据中构建“运动小脑”
LATENT框架提供了一种全新的解决思路,不再依赖难以获取的完美专家数据,而是利用易获取但不完美的人类动作数据(如前后移动、正反手挥拍、横向步伐等碎片化动作)。通过深度强化学习,机器人能够自主学习运动技能空间,构建起支持高动态、高敏捷全身运动能力的“运动小脑”。这种方法从源头打开了机器人运动技能学习的数据通路,利用碎片化经验解锁了大范围跑动急停及回击各种来球的能力。
03核心机制:运动技能空间与动作屏障
  1. 构建运动技能空间
    研究团队在隐空间中构建了一个“运动技能空间”,将碎片化的人类动作先验组织为可组合、可泛化的技能结构。训练过程中通过对关键自由度施加随机扰动,使该空间允许动作被修正和探索。强化学习驱动的规划器在此空间中进行采样与组合,使机器人能根据球速、落点及自身姿态,实时自主规划步伐、挥拍节奏和身体姿态,在保持自然运动风格的同时实现稳定击球。
  2. 引入隐空间动作屏障(LAB)
    为防止机器人在高动态对抗中为完成任务而采取“投机取巧”的非自然动作(如抖动),团队提出了隐空间动作屏障。LAB提供了一种受约束但不僵化的探索机制,允许策略针对不同情况灵活调整,但又不偏离自然的人类运动模式。这使得机器人在训练中既能保持流畅稳定的动作风格,又能逐渐学会适应各种来球,实现精准控制。
04实测验证:真机表现与性能对比
研究团队将策略部署至29自由度的宇树G1机器人,并在MuJoCo仿真器和真实世界中进行了大量测试。实验涵盖了机器人正手、反手、前场及后场击球等多种设置。为了提升真机适应性,研究者在仿真中对地面弹性系数、空气阻力、网球质量及动力学性质进行了随机扰动。实验结果显示,搭载LATENT的机器人具备全场跑动能力,能够接住来自各个方向的刁钻击球,并完成了连续20局的人机对拉及机器人之间的连续对练。
评估维度经典基线算法 (PPO, AMP)LATENT框架表现
击球成功率 (SR)较低绝对优势 (提升明显)
回球落点精准性 (DE)一般精准控制 (指定位置回击)
关节顺滑程度可能出现抖动或不自然动作动作丝滑 (保持人类风格)
关节力矩波动较大输出平稳

LATENT与经典基线算法性能对比

综合来看,LATENT通过创新的运动技能空间构建与隐空间动作屏障机制,成功利用不完美的人类数据实现了人形机器人的高动态网球对打。这一技术突破不仅验证了机器人在复杂高对抗环境中的适应能力,也为具身智能从实验室走向真实世界的复杂运动场景提供了重要的技术参考。

评论

评论区空态插画

当前文章无评论,是时候发表评论了