Гуманоиды учатся подавать в теннис как профессионалы: разделили планировщик и трекер

Гуманоидные роботы совершили значительный прогресс в выполнении задач мячевых видов спорта, но совмещение профессионального стиля движений с надёжной реализацией задачи остаётся открытой проблемой. Noitom Robotics и IEEE Spectrum опубликовали белую книгу, описывающую адаптивную архитектуру планирования и отслеживания движений. Эта архитектура позволяет гуманоидам учиться выполнять подачи и розыгрыши в теннис, сохраняя стиль профессиональных спортсменов.

Архитектура: разделение функций

Традиционный подход объединяет генерирование кинематических траекторий и отслеживание их выполнения в единую систему. Это создаёт неизбежное противоречие: требования к эстетичным, стилистически правильным движениям конфликтуют с требованиями к точному отслеживанию. Решение — явное разделение на два иерархических уровня.

Высокоуровневый планировщик генерирует кинематические траектории, которые сохраняют характерный для профессионального спортсмена стиль выполнения движений. Низкоуровневый трекер отвечает за точное физическое воплощение этих траекторий с минимальным искажением. Исходные данные извлекаются из трансляций спортивных событий и motion-capture записей профессиональных теннисистов. Эти данные проходят процесс реконструкции, переназначения на анатомию робота и физической коррекции, чтобы обеспечить безопасное и реалистичное выполнение движений на гуманоидной платформе.

Преодоление sim-to-real разрыва

Один из ключевых вызовов при переводе обученной в симуляции политики на реальное оборудование состоит в том, что ошибки отслеживания движения накапливаются экспоненциально. В авторегрессивных системах планирования небольшая ошибка на одном временном шаге приводит к кумулятивным ошибкам на последующих шагах, грозя нестабильностью и отказом задачи.

Исследователи реализовали двухуровневый подход: низкоуровневый трекер обучается выполнять движения при различных, случайно варьируемых скоростях выполнения, что повышает робастность к шумам восприятия и неточностям реального мира. Одновременно высокоуровневый планировщик обучается условному представлению скорости движения (learned motion-speed representation), позволяющему адаптивно выбирать скорость в зависимости от состояния и условий. Это сочетание подходов значительно снижает компаундирующие ошибки, обычно возникающие при переносе из симуляции на реальное оборудование.

Валидация и практические результаты

Архитектура протестирована на двух различных гуманоидных платформах: исследовательском роботе и полноразмерном гуманоиде. Наиболее значительный результат — полноразмерный робот, выполняющий подачи в теннис в неконтролируемой среде (in-the-wild serving) без использования motion-capture системы. Это демонстрирует практическую применимость в реальных условиях, когда робот полагается только на встроенные датчики и визуальное восприятие.

Белая книга завершается практическими рекомендациями для инженеров, разрабатывающих системы гуманоидных робот-спортсменов. Исследование охватывает адаптивное отслеживание движений, робот-спортс в мячевых видах спорта, иерархическую архитектуру контроля движений, управление движениями гуманоидов, обучение по видео и motion-capture данным, планирование и отслеживание движений, переназначение движений на разную анатомию, стиль движения, развёртывание роботов в реальных условиях, обучение с подкреплением, восприятие робота, спортивные роботы, sim-to-real transfer и контроль всего тела робота.