问题——高动态对抗成为人形机器人能力“硬关口” 人形机器人运动能力评测中，网球因“快、变、抗”特征被视为最具挑战的综合场景之一：来球速度快、落点不确定、对手策略多变，且击球动作牵涉全身多关节联动；机器人不仅要在短时间内完成对球的感知定位和轨迹预测，还要同步生成步伐调整、身体重心转换、手臂挥拍与击球点控制等动作序列，并在对抗中持续更新策略。业内普遍认为，此类长程、高动态对抗下的实时决策与复杂运动规划，是制约人形机器人从“可演示”走向“可实战”的核心瓶颈。 原因——传统依赖高质量数据的学习范式成本高、可扩展性弱 过往机器人运动技能学习，多依赖高精度动作捕捉与高质量遥操作数据，通过模仿学习复制专业动作。然而在网球场景中，挥拍瞬间手腕、前臂等细微自由度变化对击球质量影响显著，高精度采集不仅设备昂贵、场地与流程要求严苛，还容易因遮挡、延迟与采样误差造成数据偏差，进而影响训练稳定性与泛化能力。更现实的问题在于——高质量数据难以规模化获取——导致技能迁移与扩展效率偏低，难以支撑复杂对抗运动的持续迭代。 影响——新算法推动从“机械复刻”走向“实时智能规控” 据介绍，LATENT算法（Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data）提出一条不同于传统路径的解决方案：从更易获得、并不完美的人类运动数据出发，通过算法筛选、整合与约束学习，形成可用于复杂运动的全身实时智能规控能力，实现人形机器人完成高动态网球对打。该进展的意义在于：其一，降低训练数据采集门槛，为复杂运动技能的规模化学习打开通路；其二，提升机器人在对抗场景中的适应性，使其在不同来球速度、节奏与场地条件下具备更稳定的动作生成能力；其三，为人形机器人在体育训练、互动陪练、特种作业等需要快速反应与全身协调的任务提供技术借鉴。 对策——以“运动协调+技能组合+约束探索”三条主线破解难题 从技术思路看，LATENT算法围绕“能动、会动、动得像”三个层面构建能力闭环。 一是构建面向全身协同的“运动小脑”式控制体系。研究团队采集普通人的前后移动、挥拍、急停等碎片化动作数据，在无需高精度设备条件下，通过算法完成筛选与融合，使机器人能够将离散动作整合为连贯序列，实现全场跑动、急停与挥拍等基础能力，并可根据来球落点和速度动态调整步伐与击球力度。 二是在隐空间构建“运动技能空间”，将动作表示为可组合的技能模块。机器人在实时场景中可按需要调取并组合不同模块，以应对来球落点变化与对抗节奏切换。训练阶段对关键动作自由度引入随机扰动，促使机器人在探索中形成更稳健的控制策略，从而提升击球的准确性与动作的流畅性。 三是引入“隐空间动作屏障”等约束机制，抑制非自然的“投机动作”。在强化学习或探索式训练中，机器人可能通过抖动、僵硬冲击等方式获得短期效果，但会带来不稳定与高风险。通过约束探索边界，算法在允许灵活调整的同时，引导动作保持在人类自然运动模式附近，提升可解释性与可复现性，也为未来进入真实环境的安全性奠定基础。 前景——从网球“试金石”走向更多复杂任务的通用能力 网球对抗的突破更像一次面向复杂场景的能力验证：机器人在不确定环境中实现“感知—决策—控制”闭环，意味着其具备向更广泛任务迁移的潜力。业内人士认为，下一阶段关键在于三上：其一，加强对多源感知与预测的融合，提升在遮挡、光照变化等条件下的稳定性；其二，推动算法与硬件协同优化，特别是关节响应速度、末端执行精度与能耗管理；其三，建立更统一的评测体系与开放数据机制，促进技术可比、成果可复用，加速产业化落地。随着产学研协同持续深化，面向高动态对抗的运动控制能力有望向训练陪伴、物流分拣、应急救援等更广泛的高复杂度应用拓展。
这项技术突破不仅拓展了人形机器人的能力范围，更展现了我国科研人员的原创实力；当机器人开始掌握人类的动态协调能力，我们或许正站在机器人理解物理世界的新起点。这项技术在智能制造、特种服务等领域的应用，将重新定义人机协作的未来图景。