突破核心瓶颈!银河通用LATENT算法解锁人形机器人高动态对抗新能力

在所有运动场景中,网球堪称人形机器人最难的“考题”,没有之一。不同于跑步、举重等单一动作的运动,网球是一项集高动态、高对抗、高不确定性于一体的综合性运动,对人形机器人的感知、决策、运动三大核心能力,都提出了极致要求,其难度远超其他运动场景,成为检验人形机器人具身智能水平的“试金石”。

长期以来,这种长程、高动态对抗场景中的实时决策与复杂运动难题,一直是全球人形机器人领域的核心瓶颈,而银河通用发布的LATENT算法,成功破解了这一行业难题,实现了全球首次在人形机器人上完成高动态网球对打,填补了行业空白。

这一突破的核心的是LATENT算法的创新设计。其全称为Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data,是银河通用与清华大学联合攻关成果,也是全球首个面向网球对抗的人形机器人全身实时智能规控算法。它跳出传统“依赖高质量遥操数据模仿学习”的框架,走出了全新技术路线。

传统机器人运动学习需高精度动作捕捉设备,录制专业运动员完整数据,不仅成本高昂、场地严苛,且网球击球时手部细微动作难以精准捕捉,数据偏差无法支撑精准击球。LATENT算法则从易获取的数据出发,解决了“用可获得数据学习复杂运动能力”的关键问题,降低了采集成本,打通了运动技能可扩展学习路径。

LATENT的核心突破之一,是从不完美人类动作数据中构建“运动小脑”——一套算法控制的运动体系,能让机器人灵活协调全身动作。研究团队采集普通人的前后移动、挥拍、急停等碎片化数据,无需高精度设备,通过算法筛选整合,构建出完整运动技能模型。

这套“运动小脑”能让机器人自主学习,将碎片化动作整合为连贯序列,解锁全场跑动、急停挥拍等能力。例如,捕捉到来球落点后,它会快速调用步伐数据,调整姿态准备击球,还能根据来球速度优化挥拍力度。与传统算法相比,它适应性极强,能应对不同场地、来球速度和对手节奏,这也是机器人能与不同水平选手连续对拉的关键。

如果说“运动小脑”解决了“能运动”,那么“运动技能空间”和“隐空间动作屏障(LAB)”则解决了“精准流畅运动”的问题。研究团队在隐空间构建“运动技能空间”,将碎片化动作转化为可组合的“技能模块”,机器人可根据实时场景自主组合,应对不同来球。

训练中,团队对动作关键自由度引入随机扰动,让机器人自主探索优化动作,提升精准度和流畅度。而LAB则解决了“投机策略”问题——避免机器人用抖动、僵硬等非自然动作勉强击球,通过“有约束的探索”,既保证动作灵活调整,又不偏离人类自然运动模式。

最终,机器人不仅能稳定击球,还能以接近人类运动员的姿态流畅完成动作,彻底摆脱机械感。LATENT算法打破了高动态对抗场景的技术瓶颈,推动机器人从“机械复刻”向“智能决策”跨越,为全球人形机器人运动控制算法研发提供了全新借鉴。

免责声明:此文内容为本网站转载企业资讯,仅代表作者个人观点,与本网无关。所涉内容不构成投资、消费建议,仅供读者参考,并请自行核实相关内容。

原文转自:信阳新闻网
发布于 2026-03-25 21:08:13
收藏
分享
海报
1453
上一篇:(聚焦博鳌)业内共话人形机器人发展:规模化落地仍面临三大现实挑战 下一篇:2026博鳌亚洲论坛|从炫技走向实用,人形机器人的技术突破与全球治理
目录

    忘记密码?

    图形验证码