來自中國的研究人員最近開發了一個新系統，顯著提升了人形機器人學習打網球的能力，這標誌著機器人運動表現的又一進步。這個項目是與中國人工智能機器人公司 Galbot 合作開發的，採用了名為 LATENT 的方法，利用不完美的人類運動數據來訓練機器人。該系統通過將動作拆分為簡單的元素，如擊球和步法，使學習變得更加高效。團隊表示，這一方法解決了早期機器人訓練方法在複製快速、精確和動態運動技能時所面臨的長期挑戰。他們在研究摘要中提到，我們的方法在現實世界中取得了驚人的結果，並能穩定地與人類選手進行多回合的對打。
在 2026 年 1 月，UBTech Robotics 的 Walker S2 展現了其實際的網球技能，結合了感知、平衡和精確度，在人機對打示範中發揮了強大且準確的擊球能力。中國研究人員開發了一種新方法，幫助人形機器人使用不完美的人類運動數據來學習複雜的網球技能。該團隊與 Galbot 合作，創建了 LATENT 系統，將網球動作分解為基本的運動片段，如正手和反手擊球、側向滑步和交叉步。系統並不依賴於完美的動作捕捉或詳細的運動學數據，而是使用業餘選手的「準真實」輸入。研究人員使用緊湊的動作捕捉設備收集了約五小時的這些原始運動片段。雖然不完美，但這些數據提供了對人類網球基本動作的重要見解。
團隊隨後構建了一個潛在動作空間，使機器人能夠有效地解釋、精煉和結合這些動作。通過強化學習和大規模模擬，該系統學會了在不同條件下如何對來球進行反應，同時保持自然的運動模式。訓練好的模型成功地部署在 Unitree G1 人形機器人上，展現出穩定的擊球精準度和目標回球能力。這種方法解決了機器人運動訓練中長期存在的挑戰，特別是在有限或不完美數據的情況下，複製快速、動態和精確的人類運動行為的困難。
在現實比賽中，研究人員測試了 LATENT 系統，人形機器人在前場和後場與人類進行網球對打。涵蓋 10,000 次試驗的評估顯示，該系統在正手和反手擊球方面表現強勁，並在準確度、成功率和動作自然度上超過了早期方法。該機器人在其最佳表現時達到了 96.5% 的成功率，穩定地將球回擊到接近目標位置。儘管尚未能與專業選手匹敵，但機器人展示了持續進行多回合對打的能力，並能適應不同的比賽條件。
研究人員指出，當前系統還有多個改進空間。目前，它依賴於動作捕捉技術進行現實運行，未來可以用主動視覺來取代或增強，以提高自主性。現有的設置也通過專注於將隨機生成的來球返回到目標位置來簡化比賽，而非模擬真正的競爭賽事。為了達到更接近專業人類選手的表現水平，團隊建議採用多代理訓練框架，這將使機器人能夠參與更現實的互動遊戲場景，更好地處理實際網球比賽中所需的複雜性、策略和反應能力。雖然這項研究主要聚焦於網球回球任務，但所提出的框架在其他領域也具有一定的潛力，例如足球和跑酷等，這些領域的完整和高質量人類運動數據通常並不可得。
