SMASH 2.0: Robotter spillede en komplet 11-pointskamp i bordtennis

Det opsigtsvækkende ved HKU- og KAI/Chaowei-teamets demonstration af SMASH 2.0 var ikke bare, at robotterne kunne slå bolden frem og tilbage. Teamet oplyser, at to humanoide robotter selv gennemførte en hel bordtenniskamp til 11 point: De skiftedes til at serve, reagerede på modstanderens slag, samlede point og fortsatte, indtil en af dem vandt. Der var ingen fjernstyring, ingen menneskelig boldfodring og ingen eksterne kameraer. 4612

Formuleringen om, at det var den »første«, bør dog læses som forskerholdets egen påstand – ikke som en uafhængigt fastslået branchekonklusion. Det, som den tilgængelige dokumentation tydeligt understøtter, er demonstrationens omfang: autonomt spil mellem to humanoide robotter, baseret på robotternes egne sensorer og gennemført som en hel kamp. 24

En hel 11-pointskamp er mere end 11 dueller

En duel – eller rally – er den sekvens, hvor bolden går frem og tilbage, indtil pointet slutter. En komplet kamp til 11 point kræver mere: Robotterne skal kunne serve, modtage, returnere, håndtere fejl, registrere hvem der får pointet, skifte server og fortsætte, indtil reglerne har fundet en vinder. Elleve vellykkede udvekslinger i træk ville ikke i sig selv vise, at de kan håndtere alle disse dele. 57

Forskellen er teknisk vigtig. En robot kan godt trænes til at returnere bolde i en samarbejdsøvelse eller mod en menneskelig boldfodrer uden at have den bredere autonomi, der kræves for selv at starte og afslutte en konkurrence. Når to robotter spiller for at vinde, skal de desuden kunne vælge offensive og defensive svar – ikke blot holde en forudsigelig træningsduel i gang. 57

Sådan forbinder SMASH 2.0 syn og bevægelse

SMASH 2.0 beskrives som et modulopbygget system, hvor fire funktioner hænger sammen i en lukket kredsløb:

1. Perception: Kameraer på robotten registrerer bolden og vurderer robotternes relevante tilstand uden et eksternt kameraarrangement. 2
2. Forudsigelse af boldens bane: Systemet beregner, hvor bolden bevæger sig hen, og forudsiger dens flyvning og opspring. 714
3. Planlægning af bevægelse og slag: Robotten vælger, hvordan og hvor bolden skal rammes, herunder hvordan den reagerer på forskellige indkommende bolde. 714
4. Styring af hele kroppen: Ben, overkrop, arme og bat koordineres, så robotten kan nå bolden, holde balancen og udføre det valgte slag. 214

Rapporterne beskriver et beslutnings- og kontrolvindue på millisekundniveau. Robotten skal altså registrere den indkommende bold, beregne dens bane og planlægge slaget, før næste mulige kontakt med bolden. 714 Den akademiske beskrivelse af SMASH fremhæver tilsvarende opgaveorienteret imitation learning til slagkontrol og indbygget perception til interaktion i realtid. 2

Hvad blev forbedret fra SMASH 1.0?

Opgraderingen fra SMASH 1.0 handlede især om funktioner, der er nødvendige i en rigtig kamp – ikke kun i en bekvem returøvelse.

Robotterne kan nu serve selv

SMASH 2.0 fik autonom servning, så robotterne selv kan sætte pointene i gang og skiftes til at serve efter kampformatet. Uden den funktion kan en robot godt deltage i dueller, men den kan ikke selv køre en hel kamp fra første serv til sidste point. 58

Et større område at slå i

Systemet udvidede robotternes rækkevidde, så de kan håndtere både korte og lange bolde. Teamet oplyser, at menneskelige bevægelsesdata blev brugt i simulationer til at opbygge et bredere bibliotek af slag og dække en større del af robotternes arbejdsområde. 2

Fra samarbejdsduel til kamp

En komplet kamp kræver også angreb og forsvar. Teamets beskrivelse af SMASH 2.0 omfatter forskellige returtyper og placeringer, hvilket gør systemet mere kamporienteret end et system, der blot returnerer en forudsigelig bold. De tilgængelige kilder dokumenterer dog ikke, at robotterne har menneskelignende taktisk alsidighed. Den mere præcise konklusion er, at demonstrationen samlede autonom servning, perception, bevægelse og pointoptælling i én samlet kampcyklus. 714

Den nuværende begrænsning: Forudindstillet strategi frem for læring i kampen

Robotterne kan i øjeblikket få forudindstillede tilgange, for eksempel hurtigere eller langsommere spil og forskellige placeringer af bolden. Teamet siger, at det endnu ikke har opnået ægte online-læring mod en bestemt modstander under en livekamp. I praksis betyder det, at robotten ikke løbende kan udlede en rivals præferencer og ændre sin strategi undervejs.

Det næste foreslåede skridt er at gemme data fra robot-mod-robot-kampe – både vellykkede og mislykkede dueller – og senere bruge dem til forstærkningslæring på fysiske robotter. Det kan på længere sigt understøtte teamets idé om robotternes »selvudvikling«, men det er fortsat et fremtidigt træningsmål og ikke en demonstreret egenskab ved den rapporterede kamp.

Hvordan blev robotterne trænet?

Teamet oplyser, at de nuværende træningsdata primært kommer fra mennesker. Optagelser af menneskelige bevægelser blev brugt i simulationer til at udvide robotternes slagområde, mens SMASH-forskningen beskriver motion-capture-demonstrationer og genererede bevægelsesbiblioteker som dele af systemets metode til at lære færdigheder. 2

Mere detaljerede beretninger beskriver daglige træningssessioner med coaches i cirka en til to måneder, hvor deltagerne bar udstyr til motion capture. Teamet har efterfølgende vist interesse for markørløs bevægelsesregistrering, selv om det kan give afkald på noget datakvalitet. Denne beskrivelse bør behandles som teamets egen redegørelse for metoden; de tilgængelige kilder verificerer ikke uafhængigt alle detaljer i processen. 35

Hvorfor er bordtennis en hård test for humanoide robotter?

Bordtennis samler flere vanskelige robotproblemer i et meget kort tidsrum. En humanoid robot skal følge en lille bold i høj fart, forudsige dens bane og opspring, vælge et svar, bevæge sig på plads, koordinere mange led, holde balancen og ramme kontrolleret. Samtidig ændrer både modstanderen og de fysiske forhold sig hele tiden. 1418

Derfor er sporten en nyttig, modspilsbaseret test af embodied AI – kunstig intelligens, der skal fungere gennem en fysisk krop. Succes kræver, at robotten reagerer på nye situationer i stedet for blot at afspille en fast sekvens. På den måde kan bordtennis sammenlignes med andre formelle robotkonkurrencer, herunder kampsportsdiscipliner: I begge tilfælde skal systemet reagere hurtigt på en modstander, koordinere kroppen og træffe beslutninger under pres.

Fra demonstration til konkurrence i Beijing

Den anden World Humanoid Robot Games blev afholdt i Beijings National Speed Skating Oval, der også kaldes »Ice Ribbon«, fra 22. til 26. august 2026. Bordtennis var for første gang en officiel disciplin, og 12 hold deltog. 810

De samlede lege omfattede 2.056 robotter fordelt på 666 hold og 51 discipliner. Det tal må dog ikke forveksles med antallet af robotter i bordtennisturneringen. HKU SMASH-holdet nåede senere finalen, hvor det tabte 0-2 til PKU-BAAI-holdet, som dermed vandt guld. 110

SMASH-robotterne deltog også i en opvisning mod den olympiske bordtennismester Ding Ning. Hun er den klart dokumenterede menneskelige modstander for HKU-systemet i det tilgængelige materiale; andre atleter optrådte i separate demonstrationer under legene. 111920

Hvem står bag SMASH?

Projektet er et samarbejde mellem forskere fra University of Hong Kong og virksomheden KAI, som i rapporteringen også omtales som Chaowei eller Chaowei Motion. HKU SMASH beskrives som en ung forskningsgruppe inden for embodied AI, ledet af forskere og i høj grad bestående af ph.d.-studerende fra universitetet. Professor Lo Ping er identificeret som vejleder og forskningsleder. 811

Teamet oplyser, at det brugte omkring seks måneder på at gøre robotterne i stand til at spille mod mennesker og derefter cirka en halv måned på at forberede to robotter til autonomt spil mod hinanden. Tidslinjen beskriver forberedelserne til demonstrationen – ikke hele historien bag forskningen i robotbordtennis, hvis præcise starttidspunkt ikke er fastslået i de tilgængelige kilder. 11

Den praktiske betydning af SMASH 2.0 er derfor mere afgrænset – og mere interessant – end de bredeste overskrifter antyder. Teamet har demonstreret, hvad det kalder den første komplette autonome bordtenniskamp mellem to humanoide robotter. Samtidig viser forsøget tydeligt den næste udfordring: Robotterne kan forbinde perception, forudsigelse, bevægelse og point i et konkurrenceformat, men de mangler stadig pålidelig modellering af modstanderen og løbende læring, før de kan kaldes strategisk tilpasningsdygtige spillere.