Dva humanoidní roboti sehráli celou jedenáctibodovou hru bez dálkového ovládání

Tým Hongkongské univerzity (HKU) a společnosti KAI, v některých zprávách označované také jako Chaowei Motion, předvedl se systémem SMASH 2.0 něco podstatně náročnějšího než dlouhou výměnu míčků. Dva humanoidní roboti podle týmu samostatně odehráli celou jedenáctibodovou hru ve stolním tenisu: střídali se na podání, reagovali na příchozí údery, útočili, bránili se, připisovali si body a pokračovali až do určení vítěze. Demonstrace proběhla bez dálkového ovládání, lidského přihazování míčků i externích kamer. 4612

Označení „první“ je třeba chápat jako tvrzení výzkumného týmu, nikoli jako nezávisle potvrzený prvenstvím v celém robotickém průmyslu. Dostupné zprávy však podporují rozsah ukázky: šlo o autonomní hru humanoida proti humanoidovi, která využívala palubní vnímání a skutečný formát celé hry. 24

Celá jedenáctibodová hra není totéž co 11 výměn

Výměna neboli rally je sled úderů jedním míčkem až do okamžiku, kdy některý z hráčů získá bod. Celá hra do 11 bodů ale vyžaduje mnohem víc: zahájení podáním, příjem, vracení míčku, zvládnutí chyb a nezdařených úderů, připsání bodu, změnu podávajícího a pokračování podle pravidel až do vítězství jednoho z hráčů. Jedenáct úspěšných výměn by samo o sobě tyto schopnosti nedokazovalo. 57

Rozdíl je důležitý i z technického hlediska. Robota lze naučit vracet míčky v kooperativním tréninku nebo reagovat na lidského nahrávače, aniž by dokázal samostatně zahájit a dokončit soutěžní zápas. Dva roboti, kteří se snaží vyhrát, navíc musejí volit útočné i obranné odpovědi, nikoli pouze udržovat předem připravenou výměnu. 57

Jak SMASH 2.0 propojuje vnímání s pohybem

SMASH 2.0 je popisován jako modulární systém, který spojuje čtyři hlavní funkce:

1. Vnímání: Kamery umístěné přímo na robotovi detekují míček a odhadují důležité údaje o stavu robota. Systém tak při nasazení nepotřebuje soustavu externích kamer. 2
2. Předpověď dráhy: Algoritmus vypočítává, kam míček letí, a odhaduje jeho let i odraz od stolu. 714
3. Plánování pohybu a úderu: Robot volí, jak míček zasáhnout a kam jej umístit, a reaguje na různé dráhy příchozích míčků. 714
4. Řízení celého těla: Nohy, trup, paže a pálka se koordinují tak, aby robot míček dostihl, udržel rovnováhu a provedl zvolený úder. 214

Podle dostupných popisů se rozhodování a řízení odehrává v časovém okně řádu milisekund. Robot musí příchozí míček rozpoznat, vypočítat jeho dráhu a naplánovat úder dříve, než nastane další možnost kontaktu. 714 Akademický popis systému SMASH zároveň zdůrazňuje imitativní učení přizpůsobené konkrétnímu úkolu a palubní vnímání pro interakci v reálném čase. 2

Co přinesla verze SMASH 2.0

Aktualizace z verze 1.0 se zaměřila na schopnosti potřebné pro skutečnou hru, nikoli jen pro pohodlný nácvik vracení míčků.

Samostatné podání

SMASH 2.0 přidal autonomní podání. Roboti tak mohou sami zahájit výměnu a střídat se na podání podle herního formátu. Bez této funkce by se mohli účastnit výměn, ale nedokázali by nezávisle odehrát celý zápas od začátku do konce. 58

Větší prostor pro úder

Systém rozšířil dosah robota tak, aby zvládal kratší i delší příchozí míčky. Tým uvedl, že v simulacích využil data z lidského pohybu k vytvoření širší knihovny úderů a lepšímu pokrytí pracovního prostoru robota. 2

Od kooperativního vracení k útoku a obraně

Kompletní zápas vyžaduje také schopnost útočit a bránit se. Popis SMASH 2.0 zahrnuje různé typy返? úderů a umístění míčku, takže systém je více zaměřený na zápas než řešení, které pouze vrací předvídatelně nahrané míčky. Dostupné zdroje však neprokazují taktickou všestrannost na úrovni člověka. Přesnější závěr zní, že demonstrace spojila autonomní podání, vnímání, pohyb a skóre do jediné herní smyčky. 714

Hlavní současný limit: přednastavená strategie místo učení za pochodu

Roboti mohou dostat předem nastavený herní přístup – například rychlejší nebo pomalejší styl či různá umístění míčků. Tým ale uvádí, že zatím nedokázal zajistit skutečné online učení proti konkrétnímu soupeři během živého zápasu. Robot tedy neumí průběžně odhalovat preference protivníka a podle nich za pochodu měnit taktiku.

Dalším krokem má být uchovávání dat ze zápasů robotů proti sobě, včetně povedených i neúspěšných výměn, a jejich využití při pozdějším posilovaném učení na skutečných robotech. To by jednou mohlo podpořit představu takzvaného robotického „sebezdokonalování“. V případě popsaného zápasu však šlo zatím o budoucí tréninkový cíl, nikoli o prokázanou schopnost.

Jak se roboti učili hrát

Tým uvádí, že jeho současná tréninková data pocházejí především od lidí. Záznamy lidských pohybů sloužily v simulacích k rozšíření prostoru, v němž robot dokáže účinně zasáhnout míček. Výzkum SMASH popisuje také ukázky zachycené pomocí motion capture a generované knihovny pohybů, které jsou součástí učení dovedností. 2

Podrobnější zprávy hovoří o každodenních trénincích s trenéry po dobu přibližně jednoho až dvou měsíců, při nichž se používalo zařízení pro optické snímání pohybu. Tým se zároveň zajímá o takzvaný markerless capture, tedy snímání pohybu bez speciálních značek, i když může znamenat kompromis v kvalitě dat. Tyto podrobnosti je vhodné chápat jako metodiku popsanou samotným týmem; dostupné zdroje nezávisle nepotvrzují každý krok tohoto procesu. 35

Proč je stolní tenis pro humanoidní roboty náročnou zkouškou

Stolní tenis koncentruje několik složitých problémů robotiky do velmi krátkého časového úseku. Humanoid musí sledovat malý a rychle letící míček, předpovědět jeho dráhu a odraz, zvolit odpověď, přesunout se do správné pozice, koordinovat řadu kloubů, udržet rovnováhu a kontrolovaně míček zasáhnout. Soupeř i fyzické prostředí se přitom průběžně mění. 1418

Proto je stolní tenis užitečným adversariálním testem vtělené umělé inteligence. Úspěch nezávisí na přehrání pevně dané sekvence, ale na reakci na nové podmínky. V tomto smyslu může stát vedle dalších formálních robotických sportovních zkoušek včetně bojových disciplín: v obou případech jsou potřeba rychlé reakce, fyzická koordinace a rozhodování podle jednání soupeře.

Z demonstrace do soutěže v Pekingu

Druhé World Humanoid Robot Games se konaly od 22. do 26. srpna 2026 v pekingské Národní rychlobruslařské hale, známé jako „Ledová stuha“ (Ice Ribbon). Stolní tenis se zde poprvé objevil jako oficiální soutěžní disciplína a zúčastnilo se ho 12 týmů. 810

Celé hry přilákaly 2 056 robotů v 666 týmech a 51 disciplínách. Toto číslo se však nesmí zaměňovat s počtem robotů v samotném turnaji ve stolním tenisu. Tým HKU SMASH se nakonec dostal do finále, kde podlehl týmu PKU–BAAI poměrem 0:2 a získal stříbrné medaile. 110

Roboti SMASH se objevili také v exhibici proti člověku, v níž nastoupila olympijská vítězka ve stolním tenisu Ting Ning. Dostupné zprávy označují Ting Ning za jasně doloženou lidskou soupeřku systému HKU; další sportovci vystupovali v oddělených ukázkách během her. 111920

Kdo za systémem SMASH stojí

Projekt je spoluprací výzkumníků z Hongkongské univerzity a společnosti KAI, v médiích uváděné také jako Chaowei nebo Chaowei Motion. Tým HKU SMASH je popisován jako mladá výzkumná skupina zaměřená na vtělenou umělou inteligenci. Tvoří ji z velké části doktorandi HKU; jako školitel a vedoucí výzkumu je uváděn profesor Lo Ping. 811

Tým uvedl, že přibližně šest měsíců připravoval roboty na hru proti lidem a poté zhruba další půlměsíc na autonomní hru dvou robotů proti sobě. Tento časový údaj popisuje přípravu na demonstraci, nikoli celou historii vývoje robotického stolního tenisu, jejíž přesné datum zahájení dostupné zdroje neuvádějí. 11

Praktický význam SMASH 2.0 je proto užší – a zároveň užitečnější – než naznačují nejvelkolepější titulky. Systém předvedl podle tvrzení týmu první kompletní autonomní zápas humanoida proti humanoidovi ve stolním tenisu. Zároveň ukázal další hranici vývoje: roboti už dokážou v soutěžním formátu propojit vnímání, předpověď, pohyb a skórování, ale k označení za strategicky adaptivní hráče jim stále chybí spolehlivé modelování soupeře a průběžné učení během hry.