Schau dir an: Humanoider Roboter erwidert Tennisbälle mit 96% Genauigkeit in Simulationstests

Ansehen: Humanoider Roboter pariert Tennisbälle mit 96% Genauigkeit in Simulationstests

Verfasst von Atharva Gosavi via Interesting Engineering,

Galbot Robotics hat am 16. März ein Video auf seinem offiziellen X-Handle veröffentlicht, das zeigt, wie ein humanoider Roboter in Echtzeit Tennisbälle mit einem menschlichen Spieler schlägt.
Roboter spielt Tennis

Die Demonstration zeigt das LATENT-System des Unternehmens, das in Zusammenarbeit mit Forschern der Tsinghua University und der Peking University entwickelt wurde.

Das System wurde am humanoiden Roboter Unitree G1 getestet, der die Fähigkeit zeigte, auf sich schnell bewegende Bälle zu reagieren, sich über den Platz zu bewegen und Ballwechsel mit einem menschlichen Gegner aufrechtzuerhalten.

„Zum ersten Mal kann ein humanoider Roboter dynamische Tennis-Ballwechsel mit langer Reichweite und Millisekunden-Reaktionen, präzisem Ballkontakt und natürlicher Ganzkörperbewegung aufrechterhalten“, heißt es in Galbots X-Post.

Roboter mit begrenzten Bewegungsdaten trainieren

🎾Dein humanoider Tennisspieler ist da!🤖
Wir stellen LATENT (Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data) vor – den weltweit ersten Echtzeit-Algorithmus für Ganzkörperplanung und -steuerung für athletisches humanoides Tennis.
Zum ersten Mal kann ein humanoider Roboter… pic.twitter.com/gCi38wxHVQ
— Galbot (@GalbotRobotics) 16. März 2026
Eine der größten Herausforderungen beim Training von Robotern für den Sport ist der Mangel an genauen menschlichen Bewegungsdaten. Dies gilt insbesondere für Tennis, wo Spieler große Flächen abdecken, Bälle Geschwindigkeiten von bis zu 30 m/s erreichen können und der Schläger-Ball-Kontakt nur wenige Millisekunden dauert.

Um dies zu lösen, vermieden die Forscher die Aufzeichnung vollständiger Spiele. Stattdessen konzentrierten sie sich auf das Sammeln kurzer Fragmente wesentlicher Bewegungen wie Vorhand, Rückhand und Seitenschritte.

Die Daten wurden mit einem Motion-Tracking-System auf einem kompakten 3×5-Meter-Feld erfasst, das mehr als 17 Mal kleiner ist als ein Standard-Tennisplatz. Insgesamt trugen fünf Spieler etwa fünf Stunden an aufgezeichneten Bewegungsdaten bei.

Von grundlegenden Bewegungen zu koordiniertem Gameplay

Mithilfe dieses Datensatzes trainiert das LATENT-System den Roboter zunächst, einzelne Bewegungen zu replizieren.

Diese gelernten Aktionen wurden zu Sequenzen kombiniert, die es dem Roboter ermöglichten, spezifische Aufgaben auszuführen, darunter das Erreichen des Balls, das Ausführen eines Schlags und das Zurückkehren zu einer bestimmten Position auf dem Platz.

Um die Leistung in der realen Welt zu verbessern, wurde das Modell in einer Simulationsumgebung trainiert, in der wichtige physikalische Parameter wie die Masse des Roboters und des Balls, Reibung und Aerodynamik zufällig variiert wurden.

Dieser Ansatz half, die Lücke zwischen simuliertem Training und realen Bedingungen zu verringern.

„Unsere wichtigste Erkenntnis ist, dass solche quasi-realistischen Daten trotz ihrer Unvollkommenheit immer noch Vorkenntnisse über menschliche primitive Fähigkeiten in Tennis-Szenarien liefern“, sagten sie.

„Mit weiterer Korrektur und Zusammensetzung lernen wir eine humanoide Policy, die eingehende Bälle unter einer Vielzahl von Bedingungen konsistent treffen und sie an Zielorte zurückgeben kann, während natürliche Bewegungsstile beibehalten werden“, fügten sie hinzu.

Validierung in der realen Welt

In Simulationstests erreichte das System eine Erfolgsquote von bis zu 96 % bei Vorhandschlägen. Als es auf einem echten Unitree G1 Roboter eingesetzt wurde, zeigte es die Fähigkeit, Ballwechsel mit einem menschlichen Spieler aufrechtzuerhalten und den Ball konsistent auf die gegnerische Seite des Platzes zurückzugeben.

Die Forscher stellten fest, dass dieser Ansatz über Tennis hinaus auf andere Bereiche ausgedehnt werden könnte, in denen die Erfassung vollständiger menschlicher Bewegungsdaten schwierig ist, darunter Fußball, Badminton und andere sportbezogene Roboterfähigkeiten.

„Obwohl sich diese Arbeit hauptsächlich auf die Aufgabe der Tennisrückgabe konzentriert, hat der vorgeschlagene Rahmen das Potenzial, auf eine breitere Palette von Aufgaben verallgemeinert zu werden, bei denen vollständige und qualitativ hochwertige menschliche Bewegungsdaten nicht verfügbar sind“, schlossen sie.

Tyler Durden
Di, 17.03.2026 - 17:00