Guarda: Robot Umanoide Restituisce Colpi di Tennis con il 96% di Precisione nei Test di Simulazione

Guarda: Robot Umanoide Restituisce Colpi di Tennis con Accuratezza del 96% nei Test di Simulazione

Authored by Atharva Gosavi via Interesting Engineering,

Galbot Robotics ha rilasciato un video sul suo canale X ufficiale il 16 marzo che mostra un robot umanoide che scambia colpi di tennis con un giocatore umano in tempo reale.
Robot che gioca a tennis

La dimostrazione mostra il sistema LATENT dell'azienda, sviluppato in collaborazione con ricercatori della Tsinghua University e della Peking University.

Il sistema è stato testato sul robot umanoide Unitree G1, che ha dimostrato la capacità di rispondere a palline in rapido movimento, navigare sul campo e sostenere scambi con un avversario umano.

"Per la prima volta, un robot umanoide può sostenere scambi di tennis ad alta dinamica e a lungo orizzonte con reazioni al livello dei millisecondi, colpi precisi e movimento naturale di tutto il corpo", si legge nel post X di Galbot.

Insegnare ai robot con dati di movimento limitati

🎾Il tuo giocatore di tennis umanoide è qui!🤖
Presentiamo LATENT (Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data) — il primo algoritmo di pianificazione e controllo di tutto il corpo in tempo reale al mondo per il tennis atletico umanoide.
Per la prima volta, un robot umanoide può… pic.twitter.com/gCi38wxHVQ
— Galbot (@GalbotRobotics) March 16, 2026
Una delle sfide chiave nell'addestrare i robot per lo sport risiede nella mancanza di dati accurati sui movimenti umani. Questo è particolarmente vero per il tennis, dove i giocatori coprono ampie aree, le palline possono raggiungere velocità fino a 30 m/s e il contatto racchetta-palla dura solo pochi millisecondi.

Per affrontare questo problema, i ricercatori hanno evitato di registrare partite complete. Invece, si sono concentrati sulla raccolta di brevi frammenti di movimenti essenziali come dritti, rovesci e passi laterali.

I dati sono stati acquisiti utilizzando un sistema di motion tracking all'interno di un campo compatto di 3×5 metri, più di 17 volte più piccolo di un campo da tennis standard. Un totale di cinque giocatori ha contribuito con circa cinque ore di dati di movimento registrati.

Dai movimenti di base al gioco coordinato

Utilizzando questo dataset, il sistema LATENT addestra prima il robot a replicare i movimenti individuali.

Queste azioni apprese sono state combinate in sequenze che hanno permesso al robot di eseguire compiti specifici, tra cui raggiungere la palla, eseguire un colpo e tornare in una posizione designata sul campo.

Per migliorare le prestazioni nel mondo reale, il modello è stato addestrato in un ambiente di simulazione in cui i parametri fisici chiave, come la massa del robot e della palla, l'attrito e l'aerodinamica, sono stati variati casualmente.

Questo approccio ha contribuito a ridurre il divario tra l'addestramento simulato e le condizioni del mondo reale.

"La nostra intuizione chiave è che, nonostante siano imperfetti, tali dati quasi realistici forniscono comunque delle priorità sulle abilità primitive umane negli scenari tennistici", hanno affermato.

"Con ulteriore correzione e composizione, apprendiamo una politica umanoide che può colpire costantemente le palle in arrivo in un'ampia gamma di condizioni e restituirle in posizioni target, preservando al contempo stili di movimento naturali", hanno continuato.

Validazione nel mondo reale

Nei test di simulazione, il sistema ha raggiunto fino al 96% di successo nei colpi di dritto. Quando implementato su un vero robot Unitree G1, ha dimostrato la capacità di mantenere scambi con un giocatore umano e restituire costantemente la palla sul lato opposto del campo.

I ricercatori hanno notato che questo approccio potrebbe estendersi oltre il tennis ad altri domini in cui la cattura di dati completi sui movimenti umani è difficile, tra cui il calcio, il badminton e altre abilità robotiche legate allo sport.

"Sebbene questo lavoro si concentri principalmente sul compito di risposta nel tennis, il framework proposto ha il potenziale per generalizzare a una gamma più ampia di compiti in cui dati completi e di alta qualità sui movimenti umani non sono disponibili", hanno concluso.

Tyler Durden
Mar, 17/03/2026 - 17:00