100%打赢新手！谷歌推出乒乓球机器人，要挑战马龙、樊振东？

专注AIGC领域的专业社区，关注微软&OpenAI、百度文心一言、讯飞星火等大语言模型（LLM）的发展和应用落地，聚焦LLM的市场研究和AIGC开发者生态，欢迎关注！

2016年3月谷歌DeepMind的AlphaGo击败了当时世界顶尖九段围棋高手-李世石，第一次让世人看到AI强大的一面。现在，谷歌又整了一个大活，正在训练实体机器人打乒乓球，这是要准备挑战大魔王马龙、樊振东嘛~

但与数字AI相比，训练、开发实体AI机器人的难度要高好几倍。因为除了算法和高质量训练数据之外，还需要考虑物理交互、动态环境、指令调用速率、模拟到现实差距、实际动作融合等重要因素。

例如，乒乓球机器人需要实时地进行物理环境识别、预测，然后进行高精准分析，再对球拍控制、走位进行反击，这一系列动作可能在1—3秒就需要全部完成，对物理硬件、算法要求极高。

乒乓球机器人与真人对打

硬件方面，该乒乓球机器人是一个6自由度的ABB 1100机械臂，安装在两个Festo线性龙门架上，可以在二维平面运动。

x轴导轨长达4米，可以覆盖整个乒乓球桌的宽度，确保机器人可以在桌边任何位置进行回球。y轴导轨则有2米长，允许机械臂在距离桌子不同远近的位置进行击球，增加灵活性和感应范围。

机械臂末端装配了一个3D打印的拍柄，连接着一个装有短胶粒橡胶的轻量级球拍，这对于需要频繁高速挥动的乒乓球拍而言至关重要。

在环境建模方面，研究人员将乒乓球运动建模为一个单智能体顺序决策问题，其中人类对手被视为环境的一部分。通过使用马尔可夫决策过程（MDP）来描述这个问题，包括状态空间、动作空间、奖励函数和转移动力学。

在实际环境中，包括神经感知系统、运动捕捉系统、状态机和观察模块，用于跟踪球和人类玩家的球拍姿势，并为策略提供数据，例如，球的位置、速度、机器人的位置等。此外，还构建了一个基于MuJoCo物理引擎的模拟环境，用于训练和测试机器人的策略。

在机器人的算法核心由低级别控制器和高级别控制器两大块组成：低级别控制器主要负责提出不同乒乓技术策略，包括正手击球、反手击球、发球等，它们被训练以50Hz的频率产生速度命令。

在训练时，首先训练两个通用基础策略，一个用于正手，一个用于反手，并将其添加到低级别控制器集合中。再通过添加奖励函数组件或调整训练数据混合来专门化策略，以适应不同的技能，例如，针对特定的回球位置、最大化回球速度或专门处理上旋或下旋发球等。

评估新策略并确定其是否表现出所需的特征。如果一个策略被训练用于瞄准桌子上的特定位置，则计算球落地位置与目标位置之间的平均误差。如果成功，则将该策略添加到低级别控制器集合中。

高级别控制器则用于控制低级别控制器，相当于机器人的“大脑”。当对手击球后，高级别控制器会在一个时间步后做出决策，这能更好地判断球的状态。会根据对手的打球风格来决定用正手或反手回球，同时会考虑了诸多战略因素，以弥补现实中噪声和球旋转捕捉不全的问题。

在确定了对手打球的风格和旋转后，高级别控制器会参考控制低级别控制器的技术描述，包括初始球的位置和速度、击球后的中位击球速度、球的落地位置和标准偏差以及球的落地率等，做出最终的决策然后使用对应的技术进行回击。

简单来说，就是机器人先摸透对手的打球套路和习惯，进行深度分析之后，再去找对应的策略进行回击。例如，机器人的对手是樊振东，那么它可能会使用战胜过他的马龙、王楚钦等打法去应对。

为了评估乒乓球机器人的性能，研究人员将其与29名不同技术水平的用户进行了比赛。比赛规则使用了国际乒乓球联合会的规则，机器人和人类进行三局比赛，先达到11分且领先两分的一方获胜。

比赛结果显示，机器人在所有比赛中赢得了45%的比赛、46%的局数和49%的分数。按技能水平细分，机器人赢得了100%与初学者的比赛、55%与中级选手的比赛，但与更高级选手的比赛并不理想。

目前，这个乒乓球机器人已经达到中级选手的水平。如果进行海量高质量数据训练和硬件优化，战胜职业选手甚至奥运冠军只是时间问题。

因为相比人类，机器人不存在体力、伤病等问题，他们可以集中精神时时刻刻保持高效率专注度。

本文素材来源谷歌论文，如有侵权请联系删除

END

本篇文章来源于微信公众号: AIGC开放社区