全球首例：银河通用机器人网球对战展示人形机器人的运动智能突破
近期，一段由银河通用机器人与人类选手进行连续自主网球对打的视频在社交平台上广泛传播，引发了全球范围内的高度关注。该视频展示了机器人在实时对抗中展现出的灵活性与智能性。
这一切得益于银河通用最新发布的研究成果——面向网球对抗的人形机器人全身实时智能规控算法LATENT。该算法标志着全球首次在人形机器人上实现高动态网球对打。
银河通用团队突破性地解决了在长周期、高速对抗场景下机器人实时决策与全身协调控制的技术难题。这一成果无需依赖预设程序，而是基于深度强化学习，实现了机器人在网球运动中自主判断、动态调整与精准击球。
视频发布后，央视新闻迅速跟进报道，海外社交平台也掀起热议。知名AI研究员Andrej Karpathy对此表示惊叹，甚至一度怀疑视频内容是否由AI生成。
这并非简单的机械动作演示，而是一次人机对抗的真实再现。机器人与人类选手在场地内进行了多轮连续对拉，展现了其自主运动与智能决策能力。
网球运动对人形机器人而言是一项极具挑战性的任务。高速飞行的球体要求机器人具备快速判断能力，全身动作的协调决定了回球质量，而持续的跑动则考验着其运动控制与爆发力。
画面中，机器人能够迅速调整站位，协调上下半身挥拍击球，并将球精准回击至目标区域。面对不同来球，它能够持续调整身体姿态与击球时机，完成多回合的对抗。
在这一过程中，机器人无需预设动作，而是通过深度强化学习自主习得技能。这一突破标志着人形机器人从“机械复现”向“智能响应”的跨越。
LATENT：从不完美数据中学习人形机器人运动技能
LATENT全称为“Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data”，由银河通用与清华大学联合提出。该方法旨在使人形机器人能够从不完美的人类动作数据中学习复杂运动技能，并应用于真实世界的高动态任务。
传统方式依赖高质量遥操作数据进行模仿学习，但在网球这类运动中，这类数据获取成本高且难以覆盖所有场景。LATENT提供了一种全新路径，通过碎片化动作数据构建机器人的“运动小脑”，从而实现大范围跑动、急停调整和稳定回球。
研究团队通过构建“运动技能空间”，将碎片化动作组织为可组合、可泛化的技能结构。在训练过程中引入随机扰动，增强技能的适应性与探索能力，使机器人能够根据实时感知进行微调，尤其是在击球末端对挥拍轨迹进行优化。
隐空间动作屏障：确保动作的自然性与稳定性
在高动态对抗中，机器人若完全依赖强化学习进行探索，往往会产生“投机策略”，例如通过非自然动作勉强完成任务。为此，研究团队引入了“隐空间动作屏障（LAB）”，为策略提供约束但不僵化的探索机制。
LATENT允许机器人在不同来球条件下灵活调整动作，同时限制其偏离人类自然运动模式。这种“有约束的探索”机制确保了机器人在适应复杂环境的同时，仍能保持动作的流畅性与稳定性。
实验验证：精准、高效且自然的网球对打
为验证LATENT的性能，研究团队将其部署在拥有29自由度的人形机器人上，并在仿真与真实环境中进行了大量测试。
实验结果显示，LATENT在击球成功率（SR）、回球落点精准性（DE）、关节顺滑度（Smth）和关节力矩（Torque）等方面均优于PPO、AMP等经典基线算法。机器人在正手、反手、网前和底线等不同位置的击球成功率分别超过了90%、80%和80%。
为了提升在真实环境中的适应能力，研究团队在仿真中对地面弹性系数、空气阻力、网球质量等参数进行了随机扰动，并借助GPU进行大规模强化学习训练。
测试表明，搭载LATENT的机器人在真实球场中展现出高度自然的运动表现。400轮回击测试显示，机器人能够在全场范围内覆盖跑动，成功接到来自不同方向的击球。
此外，团队还展示了两个机器人之间的连续对练场景。这一模式让人联想到AlphaGo在围棋领域通过自我博弈提升棋力。虽然技术路径不同，但这种人机互动为未来自主学习与持续进化提供了新的可能性。
从运动娱乐到具身智能的广泛应用场景
银河通用此次的突破不仅限于网球运动。其背后依托的“银河星脑（AstraBrain）”端到端具身大模型，为人形机器人在复杂环境中的感知、决策与运动控制提供了技术基础。
网球运动作为动态对抗的浓缩场景，验证了机器人在高速移动、连续对抗与实时决策方面的能力。这种能力是未来在工业、服务及家庭场景中实现人机协作的关键。
从网球运动出发，银河通用正推动人形机器人迈向更广泛的应用。无论是工业领域的精细操作，还是开放环境中的交互与服务，机器人都需要在动态变化中保持稳定判断与自主决策。
这一研究不仅标志着全球人形机器人在真实对抗场景中实现全自主运动的突破，也预示着银河通用正引领行业迈向人形机器人智能化与自主化的新纪元。