SMASH 2.0 : comment deux robots humanoïdes ont joué une partie complète de tennis de table en autonomie

La démonstration de SMASH 2.0 est importante parce qu’elle ne se limite pas à un exploit isolé ou à une longue série de renvois. Selon l’équipe de l’Université de Hong Kong et de KAI, deux robots humanoïdes ont disputé de manière autonome une partie de tennis de table en 11 points : ils ont servi à tour de rôle, détecté les balles, répondu aux coups adverses et accumulé les points jusqu’à la désignation d’un vainqueur. Aucun pilotage à distance, aucun lanceur humain et aucune caméra externe n’ont été utilisés. 4612

La formule « première » doit toutefois être comprise comme une revendication des chercheurs, et non comme un fait établi de manière indépendante pour l’ensemble du secteur. Ce que les sources disponibles documentent solidement, c’est l’ampleur de la démonstration : un duel autonome entre deux robots humanoïdes, fondé sur leur perception embarquée et mené au format d’une partie complète. 24

Une partie en 11 points, ce n’est pas simplement 11 échanges

Au tennis de table, un échange — ou rallye — désigne la séquence de renvois jusqu’à ce qu’un point soit terminé. Une partie complète en 11 points impose bien davantage : servir, réceptionner, renvoyer la balle, gérer les erreurs, attribuer les points, alterner les services et poursuivre le jeu jusqu’à ce que les règles désignent un vainqueur. Onze renvois consécutifs ne suffiraient donc pas à démontrer toutes ces capacités. 57

La nuance est essentielle en robotique. Une machine peut renvoyer une balle dans le cadre d’un exercice coopératif ou répondre à un humain qui la lui envoie sans être capable de lancer et de conclure seule une véritable partie. Deux adversaires qui cherchent chacun à marquer doivent aussi alterner les réponses offensives et défensives, plutôt que simplement entretenir un échange prévisible. 57

La boucle perception-action de SMASH 2.0

SMASH 2.0 est présenté comme un système modulaire qui assemble quatre fonctions :

1. Perception : des caméras embarquées, placées du point de vue du robot, détectent la balle et estiment l’état pertinent du robot sans infrastructure de caméras externes. 2
2. Prédiction de trajectoire : le système calcule la direction de la balle et anticipe sa trajectoire ainsi que son rebond. 714
3. Planification du déplacement et de la frappe : il choisit où et comment intercepter la balle, en fonction de trajectoires d’arrivée différentes. 714
4. Contrôle du corps entier : les jambes, le torse, les bras et la raquette sont coordonnés pour atteindre la balle, conserver l’équilibre et exécuter le geste choisi. 214

Les comptes rendus décrivent une fenêtre de décision et de contrôle de l’ordre de la milliseconde : le robot doit identifier la balle, calculer sa trajectoire et planifier sa frappe avant le prochain contact jouable. 714 La description académique de SMASH met elle aussi l’accent sur l’apprentissage par imitation adapté à la tâche pour contrôler les frappes, ainsi que sur la perception embarquée nécessaire aux interactions en temps réel. 2

Ce que SMASH 2.0 apporte par rapport à la version 1.0

Les améliorations rapportées concernent les capacités indispensables à une véritable partie, plutôt qu’à un simple exercice de renvoi.

Le service autonome

SMASH 2.0 intègre le service autonome. Les robots peuvent ainsi lancer eux-mêmes les points et alterner les mises en jeu conformément au format de la partie. Sans cette fonction, un robot pourrait participer à des échanges, mais pas gérer seul un match du premier au dernier point. 58

Une zone de frappe élargie

Le système a aussi étendu l’espace dans lequel le robot peut atteindre et frapper la balle, afin de traiter des balles courtes comme des balles longues. L’équipe indique avoir utilisé des données de mouvements humains en simulation pour constituer une bibliothèque plus vaste de gestes et couvrir une part plus importante de l’espace de travail du robot. 2

De simples renvois à l’attaque-défense

Une partie complète exige enfin que les robots attaquent et défendent. La présentation de SMASH 2.0 mentionne différents types de renvois et placements, ce qui rapproche le système d’un jeu de match plutôt que d’un exercice basé sur une balle envoyée toujours au même endroit. Les sources disponibles ne permettent toutefois pas de conclure à une polyvalence tactique comparable à celle d’un joueur humain. La conclusion la plus solide est que la démonstration a relié service autonome, perception, mouvement et score au sein d’une même boucle de jeu. 714

La limite actuelle : une stratégie prédéfinie, pas encore une adaptation en direct

Les robots peuvent recevoir des consignes stratégiques prédéfinies : jouer plus vite ou plus lentement, ou viser des zones différentes de la table. L’équipe précise qu’elle n’a pas encore obtenu un véritable apprentissage en ligne contre un adversaire donné pendant une partie. Concrètement, le robot ne sait pas encore déduire en continu les préférences d’un rival et modifier sa stratégie à la volée.

L’étape suivante consisterait à conserver les données issues des matchs entre robots, qu’il s’agisse d’échanges réussis ou manqués, puis à les exploiter pour un apprentissage par renforcement sur robot réel. Cette méthode pourrait un jour contribuer à l’idée d’une « auto-évolution » robotique, mais il s’agit encore d’un objectif de recherche et non d’une capacité démontrée par la partie présentée.

Comment les robots ont été entraînés

L’équipe indique que ses données d’entraînement actuelles sont principalement humaines. Des enregistrements de mouvements humains ont été utilisés en simulation pour élargir la zone de frappe. Les travaux universitaires sur SMASH décrivent également des démonstrations capturées par système de motion capture et des bibliothèques de mouvements générés pour l’apprentissage des compétences. 2

Des comptes rendus plus détaillés évoquent des séances quotidiennes d’entraînement avec des entraîneurs pendant environ un à deux mois, au moyen d’équipements de capture de mouvement. L’équipe s’intéresse également à la collecte de mouvements sans marqueurs, même si cette méthode peut impliquer des compromis sur la qualité des données. Ces éléments doivent être considérés comme une méthodologie rapportée par l’équipe : les sources disponibles ne vérifient pas indépendamment chaque étape du processus. 35

Pourquoi le tennis de table est un test difficile pour un humanoïde

Le tennis de table concentre plusieurs problèmes complexes de robotique dans un laps de temps très court. Un humanoïde doit suivre une petite balle rapide, prévoir sa trajectoire et son rebond, choisir une réponse, se placer, coordonner de nombreuses articulations, préserver son équilibre et établir un contact précis. Pendant ce temps, l’adversaire et l’environnement changent constamment. 1418

Le sport constitue donc un test adversarial intéressant pour l’IA incarnée : la réussite dépend de la réaction à des conditions nouvelles, et non de la simple répétition d’une séquence enregistrée. C’est aussi ce qui permet de rapprocher le tennis de table d’autres épreuves robotiques formelles, notamment les compétitions de combat : dans les deux cas, la machine doit réagir rapidement à un adversaire et coordonner son corps au moment du contact.

De la démonstration à la compétition à Pékin

La deuxième édition des World Humanoid Robot Games s’est tenue du 22 au 26 août 2026 au Palais national de patinage de vitesse de Pékin, surnommé « Ice Ribbon ». Le tennis de table y a fait son entrée comme épreuve officielle, avec 12 équipes participantes. 810

L’ensemble de la compétition a réuni 2 056 robots au sein de 666 équipes et dans 51 disciplines. Ce total général ne doit pas être confondu avec le nombre de robots engagés dans le tournoi de tennis de table. L’équipe HKU SMASH a atteint la finale, avant de s’incliner 2-0 face à l’équipe commune de l’Université de Pékin et de la Beijing Academy of Artificial Intelligence, qui a remporté le titre. 110

Les robots SMASH ont également participé à une démonstration face à une joueuse humaine, la championne olympique de tennis de table Ding Ning. Les sources identifient clairement Ding Ning comme l’adversaire humaine du système HKU ; d’autres sportifs sont apparus dans des démonstrations distinctes organisées pendant les Jeux. 111920

Qui a conçu SMASH ?

Le projet associe des chercheurs de l’Université de Hong Kong à l’entreprise d’IA incarnée KAI, également appelée Chaowei ou Chaowei Motion dans certains articles. L’équipe HKU SMASH est décrite comme un jeune groupe de recherche spécialisé dans l’IA incarnée, dirigé par des chercheurs et composé en grande partie de doctorants de l’Université de Hong Kong. Le professeur Lo Ping est cité comme encadrant et responsable scientifique. 811

L’équipe affirme avoir consacré environ six mois à permettre aux robots de jouer contre des humains, puis près de deux semaines à préparer deux robots au jeu autonome l’un contre l’autre. Ce calendrier décrit la préparation rapportée pour la démonstration, et non l’ensemble de l’histoire de la recherche sur le tennis de table robotique, dont la date de lancement précise n’est pas établie par les sources disponibles. 11

La réussite de SMASH 2.0 est donc plus ciblée — et plus instructive — que ne le suggèrent les titres les plus spectaculaires. Le système a démontré ce que l’équipe présente comme la première partie complète de tennis de table autonome entre deux humanoïdes, tout en révélant la prochaine difficulté à surmonter. Les robots savent désormais relier perception, prédiction, mouvement et score dans un format compétitif ; ils doivent encore apprendre à modéliser de façon fiable leur adversaire en ligne et à adapter continuellement leur stratégie avant de pouvoir être considérés comme des joueurs véritablement autonomes sur le plan tactique.