Sporttoepassingen voor humanoïde robots ontwikkelen zich in hoog tempo. Waar eerder al demonstraties plaatsvonden in disciplines zoals voetbal, boksen en hardlopen, dient zich nu ook tennis aan als nieuwe testomgeving voor mechanische intelligentie. Het Chinese bedrijf Galbot Robotics presenteerde recent een humanoïde robot die in staat is om rally’s te spelen tegen een menselijke tegenstander.
Beperkingen van visueel leermateriaal
Een gangbare methode om robots complexe motorische vaardigheden aan te leren, is gebaseerd op imitatielearning via kunstmatige intelligentie. Hierbij analyseren neurale netwerken videodata van menselijke uitvoerders om bewegingspatronen te extraheren en te reproduceren.
Voor tennis blijkt deze aanpak echter problematisch. Hoewel er een grote hoeveelheid videomateriaal beschikbaar is, zijn cruciale interacties – zoals het raakmoment tussen racket en bal – slechts zeer kort zichtbaar en vaak onvoldoende gedetailleerd vastgelegd. De hoge balsnelheden en beperkte resolutie van standaardopnames bemoeilijken een nauwkeurige reconstructie van de onderliggende bewegingen.
Alternatieve methoden, zoals motion capture of het gebruik van wearables met sensoren, bieden weliswaar hogere nauwkeurigheid, maar brengen aanzienlijke kosten en operationele complexiteit met zich mee.
LATENT: leren uit onvolledige data
Om deze beperkingen te omzeilen ontwikkelde Galbot Robotics het AI-systeem LATENT (Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data). Dit systeem is specifiek ontworpen om robuuste bewegingsmodellen af te leiden uit onvolledige en imperfecte datasets.
In plaats van volledige wedstrijdbeelden gebruikt LATENT gefragmenteerde videodata van afzonderlijke tennishandelingen, zoals backhands, forehands en voetenwerk. Deze data vormen de basis voor het aanleren van elementaire motorische vaardigheden.
Simulatie als integratiestap
De integratie van deze deelvaardigheden vindt plaats in een gesimuleerde omgeving. Hiervoor ontwikkelde het bedrijf een digitale tennisbaan waarin de AI agent leert om individuele bewegingen te combineren tot coherente spelstrategieën. Deze simulatielaag fungeert als tussenstap tussen observatie en fysieke uitvoering, en maakt iteratieve optimalisatie mogelijk zonder fysieke slijtage of risico.
Implementatie op humanoïde platform
Na training in de virtuele omgeving werd het LATENT-systeem geïmplementeerd op de commercieel beschikbare humanoïde robot Unitree G1. Praktijktests tonen aan dat het systeem in staat is om consistente rally’s te genereren met een menselijke speler.
Hoewel de demonstraties momenteel plaatsvinden onder gecontroleerde omstandigheden – waarbij de menselijke tegenstander relatief voorspelbare slagen produceert – illustreren de resultaten het potentieel van leerstrategieën die niet afhankelijk zijn van perfecte trainingsdata.
Implicaties
De ontwikkeling onderstreept een bredere trend binnen robotica: het vermogen om robuuste vaardigheden te leren uit onvolledige of ruisgevoelige data. Dit opent perspectieven voor toepassingen in domeinen waar hoogwaardige trainingsdata schaars of kostbaar zijn, zoals in industriële automatisering of zorgrobotica.
Ewout de Ruiter
Hans Risseeuw
Jan W. Veltman