Negli ultimi anni la robotica ha sempre più spesso cercato di imitare abilità sportive umane, sfidando limiti di percezione e controllo. In un esperimento recente un team di ricerca ha dimostrato che, combinando motion capture essenziale e addestramento in ambiente virtuale, è possibile far sostenere a un umanoide scambi di tennis con un giocatore umano. Il progetto, sviluppato con il contributo di Galbot Robotics e di atenei come Tsinghua e Peking University, sfrutta un approccio che prende il nome di LATENT, pensato per apprendere da dati umani imperfetti e trasformarli in azioni ripetibili.
Il prototipo utilizzato nelle prove è il Unitree G1, una piattaforma umanoide nota per il rapporto tra costi e capacità; il robot è stato dotato di una libreria di movimenti di base estratta da pochi contributi umani e successivamente raffinata dall’algoritmo.
Con questo processo il sistema impara a selezionare e adattare movimenti elementari, ottimizzando tempistiche e angoli in risposta alla traiettoria della palla. L’obiettivo non è una copia perfetta dell’atleta professionista, ma una capacità robusta di rispondere in tempo reale a situazioni dinamiche.
Metodo e costruzione del dataset
Per creare la base di conoscenza il gruppo ha registrato circa cinque ore di dati di motion capture focalizzandosi su segmenti essenziali come forehand, rovescio, spostamenti laterali e crossover. Le sessioni sono state svolte in uno spazio compatto di 3×5 metri: una scelta intenzionale che riduce la complessità della cattura e mette in luce come anche dati limitati possano fornire priors utili. Il cuore del sistema è uno spazio latente di azioni, cioè una rappresentazione in cui le singole primitive umane vengono codificate e poi combinate dal controllore ad alto livello.
Apprendere da dati imperfetti
La novità sta nell’accettare che i dati umani siano imperfetti e nel progettare meccanismi che consentano alla policy di correggere e comporre queste primitive. In pratica, invece di imporre sequenze rigide, il sistema apprende un set di movimenti probabilistici e poi campiona da quello spazio per risolvere compiti specifici. Questo approccio riduce la dipendenza da dataset estesi e permette di adattare le azioni alle condizioni reali senza riprodurre fedelmente ogni dettaglio umano.
Simulazione e trasferimento al mondo reale
Gran parte dell’addestramento è avvenuta in simulazione, dove i ricercatori hanno usato tecniche di randomizzazione variando parametri fisici come massa, attrito e aerodinamica di palla e robot. L’uso intensivo della simulazione consente di accelerare l’apprendimento e di esplorare strategie numerose prima del deployment reale.
La robustezza così ottenuta riduce il gap tra l’ambiente virtuale e il campo reale, permettendo al Unitree G1 di rispondere in millisecondi a palle veloci e di mantenere un movimento coordinato e naturale.
Risultati sperimentali
I test mostrano performance promettenti: in simulazione il sistema ha raggiunto fino al 96% di successo nei forehand, mentre sul robot reale sono emerse percentuali di successo intorno al 90% per i diritti e poco sotto l’80% per i rovesci. Il comportamento osservato assomiglia a quello di un giocatore amatoriale ben allenato più che a un atleta professionista, ma è significativo per la complessità richiesta da colpi rapidi e spostamenti continui.
Limiti pratici, sicurezza e percezione pubblica
Nonostante i progressi, l’esperimento mette in evidenza vincoli legati all’hardware: attuatori, tempi di reazione fisici e capacità sensoriali limitano la soglia delle prestazioni.
Inoltre, l’uso di umanoidi in spazi pubblici solleva questioni di sicurezza e accettazione sociale. Un episodio recente in cui un Unitree G1 ha sorpreso passanti a Macao ricorda quanto sia importante programmare comportamenti cautelativi e linee guida per l’interazione umana-robot: la robotica avanza, ma deve tenere conto delle reazioni e della fiducia delle persone.
Implicazioni e prospettive
La strategia dimostra che apprendere abilità sportive da dataset ristretti è possibile e scalabile: con centinaia o migliaia di ore di dati il salto verso competenze comparabili a quelle umane diventerebbe plausibile, pur rimanendo dipendente dall’hardware. Oltre al tennis, lo stesso paradigma può applicarsi ad altri sport come badminton o calcio e a compiti robotici dinamici non sportivi. In definitiva, il valore di LATENT sta nell’aver mostrato che anche dati imperfetti, combinati con strategie di correzione e composizione, possono accelerare lo sviluppo di robot capaci di agire in ambienti reali e complessi.
