«Железный Джокович» из Китая. Исследователи научили робота теннису, который уже играет как профи

Гуманоидные роботы уже научились бегать, прыгать и таскать коробки, но теннис долго оставался задачей совсем другого класса: слишком быстрый мяч, слишком мало времени на реакцию и слишком много тонкой координации между ногами, корпусом и рукой. Теперь у исследователей из Университета Цинхуа, Пекинского университета, Galbot, Shanghai Qi Zhi Institute и Shanghai AI Laboratory появился сильный аргумент в споре о спортивных роботах. Команда представила систему LATENT, которая учит гуманоидов играть в теннис и уже вывела на корт робота Unitree G1.

Главная идея LATENT выглядит особенно практично. Вместо дорогих и почти недостижимых полных записей человеческих движений во время реальных матчей исследователи использовали «неидеальные» данные, то есть отдельные фрагменты движений с базовыми теннисными навыками. Авторы считают, что даже такой неполный материал все равно хранит полезные подсказки о работе ног, замахе и тайминге удара. После коррекции и комбинирования фрагментов система обучает политику управления, которая помогает гуманоиду отбивать мячи в широком диапазоне ситуаций и отправлять их в нужные точки корта, сохраняя при этом естественную пластику движений.

Самый интересный момент связан не с симуляцией, а с реальным кортом. Авторы пишут, что разработали набор решений для надежного переноса навыков из виртуальной среды в физического робота и смогли добиться устойчивых многократных розыгрышей с людьми. На странице проекта показаны серии таких розыгрышей, примеры реактивной работы ног и попытки играть против разных соперников, а в GitHub-репозитории команда уже выложила открытый пайплайн обучения, построенный на MuJoCo и рассчитанный на параллельное обучение на нескольких GPU.

Для робототехники ценность LATENT не сводится к красивому теннисному видео. Проект показывает, что спортивные навыки можно собирать не только из идеальных датасетов с записью движений, которых почти всегда не хватает, но и из более грубых, частичных записей. Такой подход может заметно упростить обучение гуманоидов сложным движениям в других сценариях, где важны скорость, баланс и мгновенная реакция. Вдобавок команда уже начала открывать результаты работы: 13 марта 2026 года авторы опубликовали код для трекинга движений и небольшой набор человеческих теннисных данных.