SMASH 2.0 ने कैसे पूरा किया पूरी तरह स्वायत्त 11-पॉइंट टेबल टेनिस मैच

हांगकांग यूनिवर्सिटी (HKU) और KAI/Chaowei की टीम ने SMASH 2.0 के जरिए दो ह्यूमनॉइड रोबोटों के बीच एक पूरा 11-पॉइंट टेबल टेनिस गेम दिखाया। टीम के मुताबिक, दोनों रोबोटों ने खुद सर्व किया, सामने से आई गेंद को पहचाना और लौटाया, आक्रमण व बचाव के लिए अलग-अलग शॉट खेले, अंक जोड़े और तब तक खेलते रहे जब तक एक रोबोट विजेता नहीं बन गया। इस प्रदर्शन में न रिमोट कंट्रोल था, न इंसान गेंद खिला रहा था और न ही बाहरी कैमरों का इस्तेमाल किया गया। 4612

हालांकि, इसे “पहला” कहने का दावा शोधकर्ताओं का है; इसे पूरे उद्योग में स्वतंत्र रूप से स्थापित तथ्य के रूप में नहीं पढ़ना चाहिए। उपलब्ध रिपोर्टों से जो बात स्पष्ट रूप से समर्थित है, वह प्रदर्शन का दायरा है: ऑनबोर्ड परसेप्शन के साथ दो ह्यूमनॉइड रोबोटों का एक पूरा, एक-दूसरे के खिलाफ खेला गया स्वायत्त मैच। 24

11 पॉइंट का पूरा गेम, 11 रैलियों से अलग क्यों है?

टेबल टेनिस में रैली उस एक गेंद के आदान-प्रदान को कहते हैं जो किसी खिलाड़ी के अंक हासिल करने तक चलता है। इसके विपरीत, पूरा 11-पॉइंट गेम खेलने के लिए रोबोटों को सर्व करना, सर्विस रिसीव करना, शॉट लौटाना, गलती होने पर अंक तय करना, सर्विस बदलना और नियमों के अनुसार विजेता निर्धारित करना पड़ता है। केवल 11 बार गेंद को सफलतापूर्वक आगे-पीछे कर लेना इन क्षमताओं का प्रमाण नहीं होगा। 57

यह अंतर तकनीकी रूप से महत्वपूर्ण है। किसी रोबोट को सहयोगी अभ्यास में गेंद लौटाने या मानव फीडर की गेंद पर प्रतिक्रिया देने के लिए प्रशिक्षित किया जा सकता है। लेकिन अपने दम पर पूरा प्रतिस्पर्धी गेम शुरू करने और खत्म करने के लिए उसे कहीं अधिक व्यापक स्वायत्तता चाहिए। दो रोबोट जब जीतने के लिए खेलते हैं, तो उन्हें केवल रैली जारी रखने के बजाय आक्रामक और रक्षात्मक फैसले भी लेने पड़ते हैं। 57

SMASH 2.0 कैसे जोड़ता है देखने से लेकर शॉट मारने तक का पूरा चक्र?

SMASH 2.0 एक मॉड्यूलर सिस्टम है, जिसमें चार प्रमुख क्षमताएं एक साथ काम करती हैं:

1. परसेप्शन: रोबोट के शरीर पर लगे, उसके दृष्टिकोण से देखने वाले कैमरे गेंद और रोबोट की स्थिति से जुड़े संकेतों का अनुमान लगाते हैं। इसके लिए बाहरी कैमरा-रिग पर निर्भरता नहीं रहती। 2
2. ट्रैजेक्टरी प्रेडिक्शन: सिस्टम यह अनुमान लगाता है कि गेंद किस दिशा में जा रही है और वह कैसे उड़ेगी तथा टेबल पर कहां उछलेगी। 714
3. मोशन और स्ट्रोक प्लानिंग: रोबोट तय करता है कि गेंद को कब, कहां और किस तरह लौटाना है। इसमें अलग-अलग दिशाओं और ऊंचाइयों से आने वाली गेंदों के लिए उपयुक्त प्रतिक्रिया चुनना शामिल है। 714
4. होल-बॉडी कंट्रोल: पैर, धड़, हाथ और रैकेट मिलकर गेंद तक पहुंचते हैं, संतुलन बनाए रखते हैं और चुना गया शॉट पूरा करते हैं। 214

रिपोर्टों के मुताबिक, यह पूरा निर्णय और नियंत्रण चक्र मिलीसेकंड-स्तर की समय-सीमा में चलता है। रोबोट को अगली खेलने योग्य टक्कर से पहले आती हुई गेंद पहचाननी, उसकी दिशा और उछाल का अनुमान लगाना तथा शॉट की योजना बनानी होती है। 714 SMASH के अकादमिक विवरण में भी सटीक स्ट्राइक कंट्रोल के लिए टास्क-अलाइन इमिटेशन लर्निंग और रियल-टाइम इंटरैक्शन के लिए ऑनबोर्ड परसेप्शन को प्रमुख बताया गया है। 2

SMASH 1.0 से 2.0 में क्या बदला?

SMASH 2.0 का अपग्रेड उन क्षमताओं पर केंद्रित था जो किसी सुविधाजनक रिटर्न-ड्रिल के बजाय वास्तविक गेम के लिए जरूरी होती हैं।

अब रोबोट खुद सर्व कर सकते हैं

SMASH 2.0 में स्वायत्त सर्विंग जोड़ी गई। इससे रोबोट खुद पॉइंट शुरू कर सकते हैं और गेम के प्रारूप के अनुसार बारी-बारी से सर्व कर सकते हैं। इस क्षमता के बिना रोबोट रैलियों में हिस्सा तो ले सकता था, लेकिन शुरुआत से अंत तक पूरा मैच स्वतंत्र रूप से नहीं चला सकता था। 58

छोटी और लंबी गेंदों को संभालने की विस्तृत रेंज

सिस्टम ने रोबोट की हिटिंग रेंज बढ़ाई, ताकि वह टेबल के पास गिरने वाली छोटी गेंदों और दूर जाने वाली लंबी गेंदों—दोनों का जवाब दे सके। टीम ने बताया कि रोबोट के कार्यक्षेत्र में अधिक व्यापक स्ट्राइक मोशन तैयार करने के लिए सिमुलेशन में मानव गति से जुड़े डेटा का इस्तेमाल किया गया। 2

सिर्फ सहयोगी रिटर्न नहीं, आक्रमण और बचाव भी

पूरा मैच खेलने के लिए दोनों रोबोटों को हमला और बचाव, दोनों करना पड़ता है। SMASH 2.0 में अलग-अलग प्रकार के रिटर्न और गेंद रखने के लक्ष्य शामिल हैं, इसलिए यह केवल अनुमानित दिशा से आती गेंद को लौटाने वाले सिस्टम की तुलना में अधिक मैच-केंद्रित है। फिर भी उपलब्ध स्रोत यह साबित नहीं करते कि रोबोटों में मानव-स्तर की रणनीतिक विविधता है। अधिक सटीक निष्कर्ष यह है कि प्रदर्शन ने स्वायत्त सर्विंग, परसेप्शन, मूवमेंट और स्कोरिंग को एक ही गेम-लूप में जोड़ दिया। 714

फिलहाल सीमा: पहले से तय रणनीति, लाइव सीखना नहीं

रोबोटों को अभी अलग-अलग प्रीसेट रणनीतियां दी जा सकती हैं—जैसे तेज या धीमा खेलना और अलग-अलग जगहों पर गेंद रखना। टीम का कहना है कि वह लाइव मैच के दौरान किसी खास प्रतिद्वंद्वी के खिलाफ वास्तविक ऑनलाइन लर्निंग अभी हासिल नहीं कर पाई है। व्यावहारिक रूप से इसका मतलब है कि रोबोट मैच के बीच लगातार यह नहीं समझ सकता कि सामने वाला खिलाड़ी किस तरह खेलता है और उसी हिसाब से अपनी रणनीति बदल सके।

टीम का अगला लक्ष्य रोबोट-रोबोट मैचों से सफल और असफल दोनों तरह के आदान-प्रदान का डेटा सुरक्षित रखना है। बाद में इस डेटा का इस्तेमाल वास्तविक रोबोट पर रिइन्फोर्समेंट लर्निंग के लिए किया जा सकता है। इससे भविष्य में टीम की बताई “सेल्फ-इवोल्यूशन” जैसी क्षमता विकसित हो सकती है, लेकिन रिपोर्ट किए गए मैच में यह अभी प्रदर्शित क्षमता नहीं थी।

रोबोटों को कैसे प्रशिक्षित किया गया?

टीम के अनुसार, उसका मौजूदा प्रशिक्षण डेटा मुख्य रूप से मानव डेटा पर आधारित है। मानव गति की रिकॉर्डिंग को सिमुलेशन में इस्तेमाल कर रोबोट की स्ट्राइकिंग रेंज बढ़ाई गई। SMASH के शोध विवरण में मोशन-कैप्चर प्रदर्शनों और तैयार की गई मोशन लाइब्रेरी को भी कौशल सीखने की प्रक्रिया का हिस्सा बताया गया है। 2

अधिक विस्तृत रिपोर्टों में मोशन-कैप्चर उपकरण पहने कोचों के साथ लगभग एक से दो महीने तक रोजाना एक-दो घंटे के प्रशिक्षण सत्रों का उल्लेख है। टीम मार्करलेस मोशन कलेक्शन की दिशा में भी बढ़ना चाहती है, हालांकि इससे डेटा की गुणवत्ता पर कुछ समझौता हो सकता है। इस हिस्से को टीम द्वारा बताई गई कार्यप्रणाली के रूप में देखना बेहतर है; उपलब्ध स्रोत इसकी हर जानकारी की स्वतंत्र पुष्टि नहीं करते। 35

ह्यूमनॉइड रोबोटों के लिए टेबल टेनिस इतना कठिन बेंचमार्क क्यों है?

टेबल टेनिस बहुत कम समय में रोबोटिक्स की कई कठिन समस्याओं को एक साथ सामने ला देता है। ह्यूमनॉइड रोबोट को छोटी और तेज गेंद पर नजर रखनी होती है, उसकी उड़ान और उछाल का अनुमान लगाना होता है, प्रतिक्रिया चुननी होती है, संतुलन बनाए रखना होता है, कई जोड़ों का समन्वय करना होता है और सही समय पर नियंत्रित संपर्क बनाना होता है। इस दौरान प्रतिद्वंद्वी और भौतिक वातावरण लगातार बदलते रहते हैं। 1418

इसी वजह से यह खेल एम्बॉडीड AI—यानी ऐसे AI का जो वास्तविक शरीर और वातावरण के साथ सीधे काम करता है—के लिए एक उपयोगी प्रतिद्वंद्वी-आधारित परीक्षण है। यहां सफलता किसी तय क्रम को दोहराने से नहीं, बल्कि नई परिस्थितियों पर प्रतिक्रिया देने से मिलती है। यही कारण है कि टेबल टेनिस की तुलना किकबॉक्सिंग जैसे अन्य औपचारिक रोबोट-स्पोर्ट्स से की जा सकती है: दोनों में तेज प्रतिक्रिया, शारीरिक समन्वय और प्रतिद्वंद्वी के अनुसार निर्णय जरूरी होते हैं।

बीजिंग में प्रदर्शन से प्रतियोगिता तक

World Humanoid Robot Games का दूसरा आयोजन 22 से 26 अगस्त, 2026 तक बीजिंग के National Speed Skating Oval में हुआ, जिसे “Ice Ribbon” के नाम से भी जाना जाता है। टेबल टेनिस इस आयोजन में पहली बार आधिकारिक प्रतिस्पर्धी खेल के रूप में शामिल हुआ और इसमें 12 टीमों ने हिस्सा लिया। 810

पूरे Games में 666 टीमों के 2,056 रोबोटों ने 51 विधाओं में भाग लिया। यह कुल आंकड़ा है; इसे टेबल टेनिस में खेलने वाले रोबोटों की संख्या नहीं समझना चाहिए। HKU SMASH टीम टेबल टेनिस फाइनल तक पहुंची, जहां PKU–BAAI टीम ने उसे 2–0 से हराकर खिताब जीता। 110

SMASH रोबोटों ने ओलंपिक टेबल टेनिस चैंपियन Ding Ning के साथ एक मानव-रोबोट प्रदर्शनी मैच में भी हिस्सा लिया। उपलब्ध रिपोर्टों में HKU सिस्टम के स्पष्ट रूप से दस्तावेजीकृत मानव प्रतिद्वंद्वी के रूप में Ding Ning का नाम मिलता है; Games में अन्य खिलाड़ियों के प्रदर्शन अलग प्रदर्शनों में हुए थे। 111920

SMASH किसने बनाया?

यह परियोजना University of Hong Kong के शोधकर्ताओं और एम्बॉडीड-AI कंपनी KAI के बीच सहयोग है, जिसे कुछ रिपोर्टों में Chaowei या Chaowei Motion भी कहा गया है। HKU SMASH टीम को युवा एम्बॉडीड-AI शोध समूह के रूप में बताया गया है। इसमें HKU के डॉक्टोरल छात्र बड़ी संख्या में शामिल हैं और Professor Lo Ping को सुपरवाइजर तथा शोध-नेता के रूप में पहचाना गया है। 811

टीम के अनुसार, रोबोटों को लोगों के साथ खेलने योग्य बनाने में करीब छह महीने लगे। इसके बाद दो रोबोटों को एक-दूसरे के खिलाफ स्वायत्त रूप से खेलने के लिए तैयार करने में लगभग आधा महीना लगा। यह समय-सीमा उस प्रदर्शन की तैयारी से जुड़ी है; उपलब्ध स्रोतों से पूरे टेबल टेनिस-रोबोटिक्स शोध की सटीक शुरुआत की तारीख तय नहीं होती। 11

इसलिए SMASH 2.0 की वास्तविक उपलब्धि सुर्खियों के सबसे बड़े दावों से कुछ अधिक सीमित, लेकिन तकनीकी रूप से अधिक उपयोगी है। टीम ने दो ह्यूमनॉइड रोबोटों के बीच एक कथित पहला पूरा स्वायत्त टेबल टेनिस गेम दिखाया। रोबोट अब परसेप्शन, भविष्यवाणी, मूवमेंट और स्कोरिंग को प्रतिस्पर्धी प्रारूप में जोड़ सकते हैं। अगली बड़ी चुनौती है—लाइव प्रतिद्वंद्वी का भरोसेमंद मॉडल बनाना और मैच के दौरान लगातार सीखना।