从不完美的人体动作数据中学习运动型类人网球技能
发布: (2026年3月15日 GMT+8 23:21)
3 分钟阅读
原文: Hacker News
Source: Hacker News
摘要
人类运动员展示出多样且高度动态的网球技巧，能够在高速网球的竞争性来回击球中取得成功。然而，在类人机器人上复现此类行为十分困难，部分原因是缺乏完美的类人动作数据或真实比赛中的人类网球运动学数据作为参考。在本工作中，我们提出 LATENT，一个 Learns Athletic humanoid Tennis skills from Imperfect Human Motion Data 的系统。
不完美的人类运动数据仅包含捕捉网球运动时使用的原始技能的动作片段，而非来自真实比赛的完整、精确的人类网球动作序列，这大大降低了数据收集的难度。我们的关键洞察是，尽管这些数据不完美，但它们仍提供了关于人类在网球情境下原始技能的先验信息。通过进一步的校正与组合，我们学习到一种类人策略，能够在广泛的条件下持续击中来球并将球返回到目标位置，同时保持自然的运动风格。
我们还提出了一系列针对稳健的仿真到真实转移的设计，并将我们的策略部署在 Unitree G1 类人机器人上。我们的方法在真实世界中取得了令人惊讶的效果，能够与人类玩家稳定地进行多拍来回。