Unitree G1 научили поддерживать розыгрыш в теннисе с помощью системы LATENT

Компания Galbot Robotics представила человекоподобного робота, способного в реальном времени поддерживать розыгрыш мяча в большом теннисе. Демонстрация возможностей прошла с использованием андроида Unitree G1, который отслеживал быстрые мячи, перемещался по корту и наносил удары. Видеоматериал опубликован в официальном аккаунте компании.

Разработка велась на базе системы LATENT, созданной совместно с исследователями из Университета Цинхуа и Пекинского университета. По словам представителей Galbot, это первый случай участия андроида в длительном динамичном розыгрыше с реакцией на действия противника за миллисекунды.

Методика сбора данных и обучения

Главной проблемой при создании спортивных роботов остаётся нехватка точных данных о биомеханике человека. В теннисе мяч разгоняется до 30 м/с, а контакт с ракеткой длится миллисекунды. Чтобы преодолеть это препятствие, инженеры отказались от записи целых матчей и сосредоточились на коротких фрагментах базовых движений: ударах справа, слева и приставных шагах.

Съёмка проводилась с помощью системы захвата движений на миниатюрном корте размером 3×5 метров — в 17 раз меньше стандартной площадки. Пятеро теннисистов записали около пяти часов таких движений. На основе этих данных алгоритмы LATENT обучили робота отдельным элементам, а затем научили связывать их в полноценные игровые последовательности: от перемещения к мячу до возврата в исходную позицию после удара.

Симуляция и результаты испытаний

Для повышения надёжности в реальных условиях обучение проходило в симуляторе. Разработчики случайным образом меняли физические параметры, включая массу робота, вес мяча, трение покрытия и аэродинамику. В ходе испытаний система выполняла до 96% ударов справа и демонстрировала способность вести розыгрыш с человеком.

По мнению разработчиков, данный метод может быть применён не только в теннисе, но и в других видах спорта, где сложно собрать полные данные о движениях человека, таких как футбол или бадминтон. Подход позволяет обучать роботов на основе ограниченного объёма информации, компенсируя недостаток реальных записей через вариативность условий в симуляторе.

Последние статьи

Related articles