Робот Unitree G1 научился играть в теннис с людьми
Система LATENT от Galbot, Tsinghua и Peking University позволила гуманоидному роботу вести теннисные розыгрыши с точностью попаданий около 90%.
Влад Макаровпроверил и опубликовал
16 марта компания Galbot Robotics выложила видео, которое за сутки разлетелось по всему Reddit: гуманоидный робот Unitree G1 играет в теннис с живым человеком. Не отбивает пару мячей и останавливается — именно ведёт розыгрыш, перемещаясь по корту и отвечая на быстрые удары.
Как это работает
За роботом стоит система LATENT — Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data. Её разработали совместно исследователи из Tsinghua University, Peking University и Galbot.
Главная проблема с обучением роботов спорту — нехватка качественных данных движений. Захват движений (motion capture) для теннисных ударов полного тела стоит дорого и даёт неидеальные результаты: датчики сбиваются при резких поворотах, часть данных приходится выбрасывать. Команда LATENT решила эту проблему, научив систему работать с «грязными» фрагментированными данными. Вместо того чтобы требовать безупречных записей, алгоритм собирает картину движения из разрозненных кусков и достраивает недостающее.
Результат — робот с реакцией на уровне миллисекунд, способный координировать всё тело: ноги перемещают его к мячу, корпус разворачивается, рука выполняет удар. По данным симуляционных тестов, точность попаданий достигает 96%. В реальных условиях цифра ниже — около 90%, но и это впечатляет для машины ростом чуть больше метра.
Почему это важно
«Впервые гуманоидный робот способен вести высокодинамичные, длительные теннисные розыгрыши с реакцией на уровне миллисекунд, точными ударами и естественными движениями всего тела», — написала команда Galbot в своём посте на X.
Теннис — одна из самых сложных задач для робототехники. В отличие от ходьбы или манипуляции объектами, здесь нужна одновременная координация перемещения, баланса и точного удара по движущейся цели. До сих пор роботы справлялись с настольным теннисом (где амплитуда движений минимальна), но полноценный корт оставался недостижимым.
Система LATENT обучалась всего на пяти часах данных движений — это на порядок меньше, чем обычно требуется для подобных задач. Если подход масштабируется на другие виды спорта и физической активности, он может радикально ускорить обучение роботов сложным моторным навыкам.
