机器人打网球，一天成本竟然要12万！背后藏着哪些秘密？

机器人已经能和人连续打网球了。

来球方向一变，它会追着球跑，切换正手和反手；落点远了，还会自己调整站位。

在刚结束的机器人运动会开幕式上，银河通用的“银河星仔”不仅和郑洁打了单打，还组队完成了人机混双。

只看动作，它确实像一个刚学会打球的人。

不过，把画面定格到网球上，你会发现，球面缠了几圈明显的反光胶带。

这些胶带，其实是为了让场周围50多台相机，实时锁定网球的位置。

所以看似是机器人在自主找球打球，但实际上，从网球的飞行轨迹到落点判断，背后还有一整套外部动捕系统在配合。

换句话说，帮机器人找到球的，不只是它自己的眼睛，还有整个球场。

那机器人究竟是怎么打网球的？50多台相机分别做了什么？借助外部动捕完成的连续对打，到底算不算真正“学会了打网球”？

01.

机器人打网球，先学会“像人一样动”

银河通用把这套网球系统叫做 LATENT。

它要做的，是让机器人根据每一拍来球临场反应：球从哪里飞来、速度有多快、自己该往哪边跑，是用正手还是反手，都要边打边判断，再把跑动和挥拍连起来。

研究团队先把人类打网球的动作拆开来教。

他们找来5名业余网球选手，在一块3米×5米的动捕区域内，分别采集正手、反手、横向滑步、交叉步、跑动和挥拍等动作，累计大约5小时。

论文中提到，这批数据没有经过额外的后期处理。因为机器人需要学习的，是从这些动作中摸清一件事：人在跑动、转身和挥拍时，身体究竟是怎么配合的。

训练先从模仿开始。

一个动作追踪器带着机器人模仿真人跑动、转身和挥拍，此时不急着接球，机器人先要熟悉正手的站姿、反手的转体，以及横向移动时双脚的配合。

这些动作随后会被压缩进一个“潜在动作空间”。

它很像机器人的网球动作底子，里面保存着动作连续变化的规律。机器人不用每次都从头计算全身29个关节怎么转，只需要在这个空间里找到大致正确的动作方向。

真球飞过来以后，高层策略根据球的位置和速度，判断机器人往哪里移动、什么时候挥拍、使用正手还是反手。底层控制器接过这个决定，把它变成29个关节的具体动作。

为什么要绕这么一圈？

因为如果完全放手让强化学习自己摸索，机器人只会想办法“把球打回去”，至于动作像不像人，它并不在乎。最后很可能学出一些奇怪但有效的招数：身体疯狂抖动、步态来回切换，甚至摆出人类根本不会使用的姿势。

球可能打到了，但动作不好看，也更容易损伤电机和关节。

LATENT为此加了一道“动作屏障”，限制机器人的动作不要偏离人类太远，同时给持拍手腕留出一部分调整空间。

腿和躯干负责把机器人送到球附近，手腕最后几厘米的角度和速度，决定球拍能不能碰到球，大动作尽量学人，最后几厘米留给机器人自己调整。

02.

机器人到底是怎么找到网球的？

前面提到的反光胶带，到这里才真正派上用场。

LATENT判断球的位置，使用的是布置在球场周围的光学动作捕捉系统。

网球表面缠有反光胶带，机器人身上也安装了多个反光标记点，用来确定它在球场中的位置和身体朝向。

动捕相机向场内发出红外光，网球和机器人身上的反光材料再把红外光反射回去，高速飞行的黄色网球，在相机画面中会变成一个醒目的高亮点。

一台相机只能看到网球出现在画面的哪个位置。多台相机从不同角度同时捕捉到它，系统就能通过三角定位，算出网球在球场中的三维坐标。

LATENT公开的实验环境中，一共使用了50多台动捕相机。单台分辨率为2048×2048，运行频率为120 Hz，覆盖范围大约19米×15米。

120 Hz，也就是每8.3毫秒更新一次网球的位置。

假设网球速度只有50公里/小时，它每秒也要飞13.9米。在120 Hz下，球在相邻两帧之间会移动大约11.6厘米；如果换成常见的30 Hz视频，相邻两帧之间已经移动了约46厘米。

对于需要卡准跑位和挥拍时机的机器人来说，这近半米的位移，已经足以让它错过击球点。

只知道球在哪里还不够，系统还要算出它飞得多快、正在往哪个方向飞。

直接用这一帧的位置减去上一帧的位置，就能估算球速。但位置数据只要出现一点误差，经过前后差分，就可能被放大成明显的速度抖动。

所以LATENT使用了一个四帧滑动窗口，把连续几帧算出的结果取平均，让球速和方向更稳定。

所以，机器人真正收到的并不是现场视频，而是几组已经算好的数据：

• 球现在在哪里；

• 球正在往哪个方向飞；

• 机器人自己在球场什么位置；

• 它距离理想击球点还有多远。

高层策略根据这些数据，决定向左跑还是向右跑、什么时候挥拍、打正手还是反手，50多台相机负责定位，LATENT负责跑位和击球。

03.

50多台动捕相机是谁家的？

银河通用这套机器人网球系统背后的光学动捕支持，来自青瞳视觉。

它负责实时追踪网球和机器人在场上的位置，相当于给机器人装上了一双覆盖整座球场的“外置眼睛”。

至于现场使用的具体相机型号，目前还没有公开。

从参数上看，青瞳的MC4000系列是比较接近的一个选项：最高帧率可达180 fps，被动反光点追踪距离可达30米，能够覆盖网球场这样的大范围空间。

但参数对得上，不代表现场用的一定就是这款设备。

因此，目前能够确认的是青瞳视觉参与了这套光学动捕系统；MC4000系列只是根据公开参数作出的推测，具体型号还不能下结论。

04.

有了动捕相机，机器人挥拍还有难度吗？

难。外部动捕解决了球的位置，机器人还得自己赶到击球点，再把球打回去。

先得跑到位，而且不能摔。

网球不会每次都刚好飞到机器人手边。机器人需要根据来球轨迹横向移动，有时还要向前或向后调整。

人形机器人没有轮式底盘那么稳定，横移、急停、转身和交叉步都会改变重心，一旦脚步和上半身动作配合不好，就可能在挥拍之前先摔倒。

跑到位以后，还要把力量送到球拍上。

人打网球时，腿部先提供支撑，腰部和躯干跟着转动，肩、肘和手腕再依次把力量传到球拍。

机器人也必须协调全身多个关节，在保持平衡的同时获得足够的拍头速度。如果动作太保守，球可能过不了网；如果动作太猛，又可能导致关节力矩过大、身体失衡或者硬件损坏。

最难卡准的，是球拍碰到网球的那一瞬间。

网球和球拍真正接触的时间非常短。球拍的位置、角度、速度和到达时间只要有一项偏差，结果就可能从成功回球变成直接挥空。

LATENT给手腕留下修正空间，用来补上最后这点误差。机器人跑到大致正确的位置还不够，球拍还要在准确的时间到达准确的位置。

仿真里学会了，搬到真实球场还要再过一关。

机器人主要在仿真环境里训练，但现实中的地面摩擦、球体重量、空气阻力、网球反弹、关节摩擦和通信延迟，都不可能与仿真完全一样。

LATENT选择在训练时主动制造这些差异。

系统会不断改变地面摩擦、球速和反弹系数，还会故意加入观测噪声、通信延迟和丢帧。机器人提前经历过这些不稳定情况，到了真实球场，即使数据不够准、硬件反应不够理想，也不至于立刻失效。

在真机测试中，完整方案的正手、反手、前场和后场回球成功率分别达到90.90%、77.78%、88.89%和81.82%。

拿掉训练中的动力学随机化，四项成功率会掉到约14%至29%；去掉观测噪声训练后，反手回球成功率降到了0。

机器人能够从仿真走上真实球场，动作模仿只完成了一部分工作。现实里可能出现的误差，也要提前放进训练里。

05.

有了外挂加持，机器人打网球还有含金量吗？

这套系统有含金量，主要体现在高动态运动控制上。

50多台相机大幅降低了找球的难度，但坐标送到机器人面前，球并不会自己飞回去。

机器人仍要判断往哪里移动、使用正手还是反手，还要控制全身几十个关节及时赶到、站稳并挥拍。

研究团队先把感知稳定下来，也方便单独检验运动能力。视觉和运动一起训练，机器人没有接到球，很难判断它究竟是没看清，还是没跑到。

目前的实验结果给出了一个明确边界：外部系统稳定提供网球的位置和速度，LATENT可以完成后续的跑位和击球。

但撕掉球上的反光胶带，撤掉场外的动捕相机，只留下机器人自己的眼睛，它还能不能连续对打？这次实验还没有给出答案。

所以，LATENT更准确的定位，是一套依赖外部动捕的高动态全身运动控制方案，还不是一台能够直接走进普通球场的自主网球机器人。

06.

机器人为啥看不清网球？

一颗高速飞行的网球，落在机器人头部摄像头的画面里，可能只有几个像素。

机器人一跑起来，摄像头还会跟着身体上下震动，再叠加灯光变化、复杂背景、球拍遮挡和人体遮挡，想要始终盯住这几个像素并不容易。

视觉系统还要根据连续画面，估算网球的三维位置、飞行速度和未来落点，碰到上旋、下旋和侧旋，预测会更难。

只知道球心的位置和直线速度，并不一定能准确预测落地后的反弹，旋转会改变网球在空中的飞行轨迹，也会影响球接触地面和球拍后的方向。

而一颗被当作反光点追踪的网球，主要提供的是球心位置，并不能直接告诉系统球体正在如何旋转。

LATENT在训练中随机改变空气阻力、反弹效果和切向阻尼，让机器人提前适应轨迹预测不准的情况，这种训练提高了容错能力，并没有识别出网球的旋转。

撤掉场外动捕以后，机载摄像头需要更高的帧率，三维定位和轨迹预测也要更准，机身抖动、短暂遮挡和光线变化，都得由机器人自己处理。

产品化也可以保留少量场外视觉，在固定球场部署2到4台成本更低的同步高速相机，理论上能减少对专业动捕系统的依赖。目前这还是一个工程设想，能否应对高速追踪、三维定位和遮挡，需要真实测试。

对固定场馆里的机器人陪练来说，这条路线可能比纯机载视觉更早投入使用。

07.

这套机器人打网球系统能应用在哪？

最直接的应用，当然是网球陪练。

如果未来做成产品，机器人可以反复把球回到指定位置，根据学员水平调整球速。人形机器人还会跑位和挥拍，训练体验会比普通发球机更接近真人对打。

眼下的问题是，为了请一名机器人教练，网球馆可能要先改造整块球场。

LATENT公开的真实实验环境，包括场地、50多台相机、灯光和相关基础设施，实验持续大约3周，总租赁成本约35万元。

这35万元，虽不能直接换算成未来产品的使用成本，不过，这个数字足以看出当前系统的规模。

50多台相机需要安装、布线、同步和标定。换一块球场，这套外部动捕系统很可能还要重新搭建，这显然不是普通网球馆买回一台机器人、接通电源就能使用的产品形态。

普通网球馆买回去的，究竟是一台机器人教练，还是一整套“智能球场”？

对于科研实验室、机器人训练基地和已经安装动捕设备的固定场馆，这套方案或许还能接受，相机可以长期使用，成本也能由多个项目分摊。但放进普通网球馆，问题就多了：场地能不能改、设备由谁维护、重新标定需要多久，最终价格又有多少场馆能够承受？

LATENT更值得关注的，是它用5名业余选手、约5小时动作数据，训练出跑位、转身和挥拍等高动态全身技能。这套方法未来可以尝试足球、羽毛球，以及其他需要追踪移动目标、快速调整身体动作的任务。每换一个项目，动作数据、训练目标和真机效果都要重新验证。

机器人打网球，确实已经从“站在原地挥拍”进化到了“会跑、会判断、会连续回球”。

它的手和腿已经学会了打球，眼睛却还长在球场四周。

50多台相机能否大幅减少，找球能力能否收回到机器人身上，将决定LATENT可以留在实验室，还是走进普通网球馆。

除了网球陪练，你觉得这套技术还能用在哪呢？评论区聊聊！