Humanoides aprendem a sacar no tênis como profissionais: planejador e rastreador separados

Robôs humanoides avançaram significativamente na execução de tarefas em esportes com bola, mas combinar um estilo de movimento profissional com a realização confiável da tarefa continua sendo um problema aberto. A Noitom Robotics e a IEEE Spectrum publicaram um white paper descrevendo uma arquitetura adaptativa de planejamento e rastreamento de movimento. Essa arquitetura permite que humanoides aprendam a executar saques e trocas de bola no tênis preservando o estilo de atletas profissionais.

Arquitetura: separação de funções

A abordagem tradicional combina a geração de trajetórias cinemáticas e o rastreamento de sua execução em um único sistema. Isso cria uma contradição inevitável: os requisitos para movimentos estéticos e estilisticamente corretos entram em conflito com os requisitos de rastreamento preciso. A solução é a separação explícita em dois níveis hierárquicos.

O planejador de alto nível gera trajetórias cinemáticas que preservam o estilo característico de execução de movimento de um atleta profissional. O rastreador de baixo nível é responsável pela implementação física precisa dessas trajetórias com distorção mínima. Os dados de origem são extraídos de transmissões de eventos esportivos e gravações de motion-capture de tenistas profissionais. Esses dados passam por um processo de reconstrução, reatribuição (retargeting) para a anatomia do robô e correção física, para garantir uma execução segura e realista dos movimentos na plataforma humanoide.

Superando a lacuna sim-to-real

Um dos principais desafios ao transferir uma política treinada em simulação para o equipamento real é que os erros de rastreamento de movimento se acumulam exponencialmente. Em sistemas de planejamento autorregressivos, um pequeno erro em um passo de tempo leva a erros cumulativos nos passos seguintes, ameaçando instabilidade e falha da tarefa.

Os pesquisadores implementaram uma abordagem de dois níveis: o rastreador de baixo nível é treinado para executar movimentos em velocidades variadas, aleatoriamente alteradas, o que aumenta a robustez a ruídos de percepção e imprecisões do mundo real. Simultaneamente, o planejador de alto nível é treinado para uma representação condicional de velocidade de movimento (learned motion-speed representation), permitindo a seleção adaptativa de velocidade com base no estado e nas condições. Essa combinação de abordagens reduz significativamente os erros compostos que normalmente surgem na transferência da simulação para o equipamento real.

Validação e resultados práticos

A arquitetura foi testada em duas plataformas humanoides diferentes: um robô de pesquisa e um humanoide de tamanho real. O resultado mais significativo é o robô de tamanho real executando saques de tênis em um ambiente não controlado (in-the-wild serving) sem o uso de um sistema de motion-capture. Isso demonstra aplicabilidade prática em condições reais, quando o robô depende apenas de sensores embarcados e percepção visual.

O white paper termina com recomendações práticas para engenheiros que desenvolvem sistemas de robôs-atletas humanoides. A pesquisa abrange rastreamento adaptativo de movimento, robótica esportiva em esportes com bola, arquitetura hierárquica de controle de movimento, controle de movimento de humanoides, aprendizado a partir de dados de vídeo e motion-capture, planejamento e rastreamento de movimento, reatribuição de movimentos para anatomias diferentes, estilo de movimento, implantação de robôs em condições reais, aprendizado por reforço, percepção de robôs, robôs esportivos, sim-to-real transfer e controle do corpo inteiro do robô.