兩個人形機械人協同打乒乓球雙打，成功維持超過十次回合

研究人員開發了 PingpongDuo，這是一個機械框架，使人形機器人能夠透過協調動作和交替擊球進行乒乓球雙打。該系統解決了共享有限空間、快速重新定位、保持擊球準確性以及避免隊友之間碰撞的挑戰。它結合了協調定位、學習的動作和球拍控制技能，幫助機器人在應對變化的球路時協同工作。在實驗中，該框架改善了模擬中的回球表現。結果顯示，兩個人形機器人能夠在遵循雙打所需的嚴格交替擊球規則的情況下，持續進行連續的拉鋸。

PingpongDuo 系統特點

來自香港大學、上海創新研究院、Archon Robotics 和 NVIDIA 的研究人員共同開發了 PingpongDuo，這是一個控制框架，使兩個人形機器人能夠在協調動作和交替擊球的情況下進行乒乓球雙打。該系統結合了人工智能、動作學習和風險評估，幫助機器人擊球、清理隊友的空間，並重新定位以便於隨後的回球，避免碰撞。與傳統的專為個人比賽設計的人形乒乓球系統不同，PingpongDuo 協調兩個機器人在乒乓球桌一側的有限空間內運作。

每個機器人必須嚴格交替擊球，在擊打後移開中央擊球區域，而其隊友則準備回擊下一球。

該框架使用了分層控制系統，結合了團隊層級的定位和個別的運動及擊球技能。在團隊層面，規劃者為兩個機器人選擇定位目標。學習的風險評估器評估潛在動作的碰撞風險，包括手、腳和身體的碰撞。安全過濾器調整風險較高的定位計劃，同時優先考慮準備擊球的機器人，以幫助保持其回球的能力。在個別層面，系統對腳步和球拍控制使用了不同的人工智能策略。研究人員利用人類乒乓球雙打的影像訓練動作策略，創建了一個涵蓋不同移動距離的約 200 個腳步序列的庫。

機器人運動與清理策略

機器人學會在擊球、清理空間、恢復和等待之間進行過渡。利用對方產生的身體姿勢和動作訓練每項技能，幫助機器人在面對新球時無需先恢復到標準姿勢即可反應。

研究人員還開發了一種球拍臂優化策略，以改善快速移動後的回球。該策略根據機器人的當前狀態以及球的預估位置和速度調整七個手臂關節。為了訓練這個組件，團隊使用真實的球飛行、桌面彈跳和球拍接觸的測量數據來校準物理模擬器。最終模型使系統能夠學習球拍運動變化如何影響球是否越過網並落在對手一側。在模擬中，PingpongDuo 的回球成功率比最先進的基準提高了 13.2%。

研究人員報告指出，清理過程中的定位誤差約為 2 釐米。在實際實驗中，兩個 Unitree G1 人形機器人持續完成了超過 10 次的交替擊球。一個機器人還在 2.4 秒內完成了 2.15 米的清理和恢復運動循環，達到峯值速度 2.23 米每秒。研究人員指出，當前系統依賴外部運動捕捉設備，尚未考慮球的旋轉。未來的工作將研究機器人的內部感知、旋轉估計以及自主攻擊和防禦策略。

協同打球技術的突破與挑戰

PingpongDuo 的開發顯示了人形機器人在協同運動中的潛力，特別是在有限空間內的應用。這種技術不僅能改善機器人的擊球表現，還能有效解決碰撞問題，這在以往的單人系統中並不常見。隨著機器人能夠自動適應對方的動作，未來的研究將進一步探索其自主感知和動作策略的能力，這將對機器人運動學和人機協作領域帶來重要影響。