Исследователи из Китая совместно с компанией Galbot разработали систему LATENT, которая позволяет человекоподобным роботам осваивать сложные спортивные навыки — в частности, игру в теннис. Вместо идеальных данных захвата движений профессионалов система использует «квазиреалистичные» записи обычных любителей и разбивает теннис на простые базовые элементы.
Метод LATENT анализирует игру как набор фрагментов: удары справа и слева, боковые перемещения, кроссоверные шаги. Для обучения собрали около пяти часов таких движений с помощью компактной системы захвата. Затем алгоритм создаёт латентное пространство действий, в котором робот учится интерпретировать, уточнять и комбинировать эти фрагменты с помощью подкрепляющего обучения и масштабных симуляций.
Обученную модель успешно перенесли на робота Unitree G1. Он демонстрирует стабильные удары и точные возвраты мяча. В реальных тестах LATENT показал впечатляющие результаты: в 10 000 испытаниях точность и естественность движений значительно превзошли предыдущие методы. В пике робот достигал 96,5 % успешных возвратов мяча в заданную зону и уверенно вёл многократные розыгрыши с людьми как у сетки, так и на задней линии.
Пока система имеет ограничения. Она зависит от технологии захвата движений и работает в упрощённом режиме — возвращает случайно поданные мячи в определённые точки. Для достижения уровня профессиональных игроков авторы планируют перейти к мультиагентному обучению, где роботы будут играть полноценные матчи с учётом стратегии и реакции соперника.
Авторы подчёркивают, что подход LATENT можно обобщить на другие виды спорта, где сложно получить идеальные данные о движениях человека — например, футбол или паркур.
