机器人打网球的技术难度有多高

机器人打网球的技术难度有多高

极简科技

2026年8月22日，北京“冰丝带”国家速滑馆，一台人形机器人握着网球拍，站在底线上。对面，是中国网球名将郑洁。球飞过来，机器人横移数步，挥拍，球落在界内。几个回合后，郑洁挑了一记月亮球，机器人被左右调动，身体失衡，摔倒在地。

人形机器人在冰丝带场馆与郑洁隔网对打

全场还没来得及惋惜，它已经用手撑地，重新站了起来，继续比赛。

这就是第二届世界人形机器人运动会上，银河通用的Galbot机器人打出的“AstraTennis时刻”。有人把它比作十年前AlphaGo战胜李世石，但这次更难——AlphaGo下棋，棋盘是固定的，规则是确定的，每一步都在一个封闭的数字世界里完成。

而网球，发生在真实的物理世界，球速超过100公里每小时，落点、旋转、力度全是变量，机器人必须在几百毫秒内，完成从“看到球”到“打回去”的全套动作，中间只要有一个环节掉链子，就碰不到球。

机器人打网球到底难在哪？我们可以把整个过程拆开看。

从看到球到打回去，200毫秒内的六道关卡

普通人打网球，看到球飞过来，跑过去，挥拍，一套动作靠的是本能和肌肉记忆。但机器人没有本能，它必须把每一个步骤都算清楚。从郑洁击球的那一刻起，机器人要依次闯过六个环节，每个环节的窗口期加起来，不超过200毫秒。

第一步，多传感器数据采集。机器人身上装着摄像头、激光雷达，靠它们来“看”球。但这些传感器采集到的数据时间戳并不天然对齐，几十毫秒到上百毫秒的前处理延迟不可避免。

网球在高速飞行，每毫秒的位移是2.7厘米，传感器的微小偏差，到了轨迹预测环节就变成了几倍的误差，后面所有的跑位都会跟着偏。

第二步，高速视觉追踪。传感器数据对齐之后，机器人要锁定那个高速飞行的黄色小球，持续跟踪，不能丢帧。网球飞行全程没有固定轨迹，穿越光影边界时容易丢失目标，一旦丢帧，轨迹预测就失去了输入，机器人相当于“瞎了”。

第三步，轨迹预测和落点计算。这是最容易被低估的一环。网球不是刚体，它在飞行中会自旋，受空气阻力，落地之前的轨迹并不完全遵循抛物线的规律。

通用的世界模型预测准确率只有60%到70%，银河通用团队针对网球场景做了专门的优化，才把准确率拉到了能支撑实际对打的水准。

第四步，全局攻防决策。机器人知道球会落在哪了，接下来要决定怎么打——正手还是反手？回球落点选在哪里？双打的时候，队友在哪，要不要让位？这个决策过程必须在200毫秒的端到端延迟窗口内完成。

第五步，全身运动规划与动态平衡。决策做完了，机器人要跑过去。网球场地跨度数米，它要在高速跑动中调整步伐，维持重心，跑到位之后还要完成挥拍动作。

8月22日的直播里，机器人被郑洁的月亮球调动摔倒，但秒级自主站起，说明这套动态平衡系统已经具备了应对真实环境扰动的鲁棒性。换作过去的人形机器人，摔倒就是直接“下场”了。

第六步，末端精准挥拍。前面五步都做对了，最后这一下如果没控制好，球照样出界。腕部伺服电机要控制球拍以毫米级精度接触网球。

郑洁赛后评价说“机器人的表现超出我的想象”，而这个“超出想象”，恰恰是因为第六步没掉链子——机器人和郑洁完成了连续20回合以上的对打。

为什么以前的机器人打不了网球

很多人会有疑问：乒乓球机器人不是早就有了？物流分拣的机械臂不也很快？为什么网球是“最难的考题”？

答案藏在场景的复杂度里。乒乓球球速快，但飞行距离短，机器人只需要小幅度调整脚步和上肢，下肢跑动需求极低；物流分拣的包裹是静止的，就算抓错了，下一个循环还能修正。

但网球，机器人要在数米场地上高速跑动，同时维持全身平衡，还能在动态对抗中实时调整策略——腿、躯干、手臂、腕部全部要协同，任何一个关节慢了半拍，击球就失败。

过去十年，全球所有人形机器人的球类交互项目，都停留在预编程的低难度动作演示阶段。机器人能跳舞，能翻跟头，但那些动作都是提前写好的，环境一变就失效。2025年之前，人形机器人的百米最好成绩是21.5秒，跑步速度根本支撑不了大范围动态击球。

直到2026年3月，银河通用发布了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LATENT，配合自研的AstraBrain端到端具身大模型，用仿真平台做了数千万拍虚拟试错训练，才把这一套能力从仿真迁移到了真机。

人形机器人展示全身协同实时控球能力

这套训练方式，几乎是以“折磨”的方式逼机器人学会打球的。它在虚拟网球世界里打了上万年，从模仿人类动作开始，到引入多智能体博弈，在对抗中自主涌现出策略意识。用银河通用创始人王鹤的话说，相当于人类日夜不息打了数十年网球。

然后，这些在虚拟世界学会的能力，通过真机数据回流，迁移到了物理世界——这就是为什么8月22日的直播里，机器人能接住郑洁的回球，而不是按照预设轨迹表演。

90.9%的成功率，背后的边界在哪里

当然，这不意味着机器人已经是一个“合格的网球运动员”。公开数据是，机器人的正手击球成功率大约90.9%，对应失误率约9.1%，但这只覆盖常规正手对拉场景。

遇到极端角度的救球，成功率不到50%；侧旋突变的来球，轨迹预测模型会出错，机器人大概率挥空；湿滑场地上，动态平衡系统会失效，机器人会出现侧滑摔倒。

业内对这次突破的定位也存在分歧。乐观派认为，这是具身智能的“AlphaGo时刻”，证明机器人在开放场域的动态博弈能力已经迈过了一个关键门槛。

马斯克在社交平台转发机器人网球技术相关讨论

保守派则指出，目前演示的场景依然是限定场馆、限定对手击球难度的非完全对抗，并没有验证职业级暴力发球下的系统鲁棒性，整体能力相当于自动驾驶的L2阶段——能做很多事，但还需要人类安全员兜底。

这些争议本身就说明，机器人打网球这件事，难度远比看起来要高。它不是一个简单的“动作模仿”问题，而是要在充满不确定性的物理世界里，把感知、决策、运动控制拧成一条零容错的实时闭环——这比AlphaGo下的那盘棋，复杂得多。