Humanoidní roboti se učí tenis tak rychle, že by si profesionální hráči možná měli začít hledat novou práci

Doby, kdy na turnaji v Melbourne Parku nebo na travnatém kurtu Wimbledonu proti sobě nastoupí dva roboti, už možná není tak daleko. Čínští vědci představili nový způsob, jak roboty učit složité pohyby, a výsledky naznačují výrazný posun v oblasti umělé inteligence i robotiky. 

Záludnosti forhendu a bekhendu

Aby robot zvládl tenis, musí zkombinovat celou řadu schopností: musí přesně vnímat prostor, rychle reagovat, koordinovat svůj pohyb a předvídat trajektorii míčku. Právě spojení těchto dovedností dělá z tenisu pro robotiku mimořádně náročnou výzvu.

Dosavadní přístupy narážely na zásadní limity. Obvyklé kinematické obleky (motion capture) nedokážou dobře zachytit jemné detaily pohybu, jako je úhel zápěstí. Tenisté se navíc při výměnách pohybují na příliš velké ploše a celá hra je natolik dynamická, že ji nelze jednoduše řídit na dálku.

Ani pokročilé AI systémy analyzující videozáznamy z více kamer, například nástroj Vid2Player3D od společnosti Nvidia, se neosvědčily – jejich trénink je složitý, náročný na data i expertní znalosti.

Výzkumný tým proto přišel s elegantnějším řešením nazvaným LATENT. Místo snahy zachytit celý tenisový výkon se zaměřil na jeho základní stavební bloky.

Vědci nasbírali přibližně pět hodin kinematických dat, ve kterých lidé předváděli klíčové pohyby: forhend, bekhend, úkroky do stran a přeběhy.
Důležité bylo, že tyto pohyby byly zaznamenány na malé ploše, nikoli na celém kurtu. Z těchto dat pak vznikla jakási „knihovna pohybů“ – soubor základních dovedností, které robot může kombinovat.

Roboti v tenisové škole

Humanoidní robot Unitree G1, který je dnes dostupný za cenu zhruba 13 500 dolarů (necelých 300 tisíc korun), byl následně „naučen“, jak se má pohybovat a dostal „jednoduchý“ úkol: vrátit letící míček zpět na druhou stranu kurtu tak, aby dopadl do hřiště.

Zbytek se robot učil sám. Experimentoval s načasováním úderů, úhly nastavení rakety, výběrem pohybů i situacemi, kdy je potřeba improvizovat mimo naučené vzorce. Velká část tohoto učení probíhala ve zrychlené simulaci, což výrazně urychlilo celý proces.

zdroj videa: LATENT, CC BY 4.0

Výsledky ukazují, že nový přístup funguje. Unitree G1 vykazoval úspěšnost forhendů kolem 90 % a u bekhendů se dostal těsně pod 80 %. Robot navíc nepůsobí přehnaně mechanicky – jeho pohyby jsou relativně plynulé a připomínají skutečného hráče.

Otevřený projekt

Velkou výhodou je, že systém LATENT je open-source a je dostupný na GitHubu (platformě pro sdílení a spolupráci na vývoji softwaru). To znamená, že ho mohou využít i další výzkumníci a vývojáři.

Důležité je také pozadí celého projektu. Nejde totiž primárně o tenis. Sport slouží jako extrémně náročný testovací prostor, kde se robot učí ovládat své tělo v rychle se měnících podmínkách, reagovat na nečekané situace a kombinovat vnímání, rozhodování a pohyb. Tyto schopnosti jsou klíčové pro praktické využití robotů v reálném světě.

Podobné technologie by mohly vést k robotům, kteří si poradí nejen ve sportu, ale i se složitými úkoly v každodenním životě. A možná není daleko doba, kdy humanoidní robot za relativně dostupnou cenu poslouží amatérským a časem možná i profesionálním tenistům jako tréninkový partner.