Galbot Robotics 在其官方 X 帳號上於 3 月 16 日發佈了一段視頻，展示了一個人形機械人與人類球員實時對打網球的情境。這次示範展示了該公司與清華大學和北京大學研究人員合作開發的 LATENT 系統。該系統在 Unitree G1 人形機械人上進行測試，該機械人展示了其應對快速移動球的能力、在球場上的導航能力以及與人類對手持續對打的能力。Galbot 在其 X 帖子中表示：「首次，人形機械人能夠在毫秒級反應下，進行高動態、長時間的網球對打，並且具備精確的擊球和自然的全身運動。」
訓練機械人進行體育運動的一個主要挑戰在於缺乏準確的人類運動數據。這在網球運動中特別明顯，因為球員需要覆蓋較大的場地，球速可達每秒 30 米，而球拍與球的接觸時間僅持續幾毫秒。為了解決這個問題，研究人員避免錄製整場比賽，而是專注於收集短片段的關鍵動作，如正手擊球、反手擊球和側步移動。這些數據是通過在一個 3 米 x 5 米的緊湊球場內使用運動追蹤系統捕捉的，這個尺寸是標準網球場的 17 倍小。總共有五名球員貢獻了約五小時的運動數據。
利用這個數據集，LATENT 系統首先訓練機械人模仿個別動作。這些學習到的動作被組合成序列，使機械人能夠執行特定任務，包括到達球的位置、進行擊球以及返回到指定的場地位置。為了改善真實世界中的表現，該模型在模擬環境中進行訓練，隨機變化關鍵物理參數，如機械人和球的質量、摩擦力和空氣動力學。這種方法幫助減少了模擬訓練與現實條件之間的差距。
在模擬測試中，該系統在正手擊球中達到了 96% 的成功率。當在實際的 Unitree G1 機械人上部署時，則展示了與人類球員持續對打的能力，並能夠穩定地將球回擊到對手的場地一側。研究人員指出，這一方法不僅限於網球，還可以擴展到其他難以捕捉完整人類運動數據的領域，包括足球、羽毛球和其他體育相關的機械技能。他們指出，儘管這項工作主要集中於網球回擊任務，但所提出的框架有潛力推廣到更廣泛的任務中，特別是在高質量人類運動數據缺乏的情況下，依然能夠進行有效訓練。
