Dua Robot Humanoid SMASH 2.0 Tuntaskan Laga Tenis Meja 11 Poin Secara Mandiri

Demonstrasi SMASH 2.0 penting bukan sekadar karena robot berhasil mengembalikan bola beberapa kali. Tim Universitas Hong Kong (HKU) dan KAI/Chaowei melaporkan bahwa dua robot humanoid secara mandiri memainkan satu gim tenis meja hingga 11 poin: bergantian melakukan servis, merespons bola lawan, mengumpulkan poin, dan menentukan pemenang. Demonstrasi itu tidak menggunakan kendali jarak jauh, pengumpan bola manusia, maupun kamera eksternal. 4612

Namun, klaim sebagai yang “pertama” sebaiknya dipahami sebagai klaim dari tim peneliti, bukan kesimpulan industri yang telah diverifikasi secara independen. Fakta yang didukung oleh laporan yang tersedia adalah cakupan demonstrasinya: permainan ant robot humanoid dengan format satu gim penuh dan persepsi yang mengandalkan perangkat di tubuh robot. 24

Mengapa gim 11 poin berbeda dari 11 reli

Dalam tenis meja, reli adalah rangkaian pukulan atas satu bola sampai sebuah poin berakhir. Sebaliknya, gim 11 poin mengharuskan pemain menjalankan keseluruhan alur pertandingan: melakukan servis, menerima bola, mengembalikan pukulan, menghadapi bola yang gagal dikembalikan, menentukan peraih poin, mengganti giliran servis, dan melanjutkan permainan sampai ada pemenang. Jadi, 11 kali bola berhasil dipukul bolak-balik belum tentu berarti satu gim 11 poin telah selesai. 57

Perbedaan ini penting secara teknis. Robot dapat dilatih mengembalikan bola dalam latihan kooperatif atau menanggapi bola yang disodorkan manusia. Kemampuan itu belum cukup untuk memulai dan menuntaskan pertandingan secara mandiri. Dalam laga ant dua robot yang sama-sama berusaha menang, keduanya juga harus mengambil keputusan menyerang dan bertahan, bukan hanya mempertahankan reli yang mudah diprediksi. 57

Cara SMASH 2.0 mengubah penglihatan menjadi pukulan

SMASH 2.0 dijelaskan sebagai sistem modular yang menyatukan empat fungsi utama:

1. Persepsi: Kamera egosentris yang terpasang di robot mendeteksi bola dan memperkirakan kondisi robot, tanpa mengandalkan susunan kamera dari luar. 2
2. Prediksi lintasan: Sistem menghitung arah gerak bola serta memperkirakan lintasan terbang dan pantulannya. 714
3. Perencanaan gerak dan pukulan: Robot menentukan bagaimana dan di titik mana bola harus dipukul, termasuk memilih respons terhadap berbagai arah datangnya bola. 714
4. Kendali seluruh tubuh: Kaki, badan, lengan, dan bet dikolaborasikan agar robot dapat menjangkau bola, menjaga keseimbangan, dan mengeksekusi pukulan yang dipilih. 214

Laporan mengenai sistem ini menggambarkan jendela pengambilan keputusan dan kendali dalam skala milidetik. Robot harus mengenali bola yang datang, menghitung lintasannya, lalu merencanakan pukulan sebelum bola mencapai titik kontak berikutnya. 714 Deskripsi akademik SMASH juga menekankan pembelajaran imitasi yang disesuaikan dengan tugas untuk mengendalikan pukulan serta persepsi dari kamera di tubuh robot untuk interaksi waktu nyata. 2

Apa yang berubah dari SMASH 1.0?

Pembaruan dari SMASH 1.0 berfokus pada kemampuan yang diperlukan untuk pertandingan sungguhan, bukan sekadar latihan mengembalikan bola.

Robot kini dapat melakukan servis sendiri

SMASH 2.0 menambahkan kemampuan servis mandiri. Dengan begitu, robot dapat memulai poin dan bergantian melakukan servis sesuai format pertandingan. Tanpa kemampuan ini, robot mungkin bisa ikut dalam reli, tetapi belum dapat menjalankan gim secara mandiri dari awal hingga akhir. 58

Area pukulan diperluas

Sistem ini memperluas ruang jangkauan pukulan agar robot dapat menghadapi bola pendek maupun bola panjang. Tim menyatakan bahwa data gerak manusia digunakan dalam simulasi untuk membangun pustaka gerakan pukulan yang lebih luas dan meningkatkan cakupan ruang kerja robot. 2

Tidak lagi sekadar mengembalikan bola

Pertandingan penuh juga menuntut kemampuan menyerang dan bertahan. Deskripsi tim tentang SMASH 2.0 mencakup beberapa jenis pengembalian dan penempatan sasaran, sehingga sistemnya lebih berorientasi pada pertandingan dibanding sistem yang hanya mengembalikan umpan berulang dengan pola tetap. Meski demikian, sumber yang tersedia belum membuktikan bahwa robot ini memiliki variasi taktik setara pemain manusia. Kesimpulan yang lebih tepat adalah bahwa demonstrasi tersebut berhasil menghubungkan servis mandiri, persepsi, gerakan, dan pencatatan skor dalam satu rangkaian permainan. 714

Batas saat ini: strategi preset, bukan adaptasi langsung

Robot dapat diberi pendekatan yang telah ditentukan sebelumnya, misalnya bermain lebih cepat atau lebih lambat serta mengarahkan bola ke titik yang berbeda. Namun, tim menyatakan bahwa mereka belum mencapai pembelajaran daring yang benar-benar memungkinkan robot mempelajari lawan tertentu saat pertandingan berlangsung. Artinya, robot belum dapat terus-menerus membaca kebiasaan lawan dan mengubah strateginya secara langsung.

Langkah berikutnya adalah menyimpan data dari pertandingan ant robot, termasuk reli yang berhasil dan gagal, lalu memanfaatkannya untuk pembelajaran penguatan pada robot fisik. Proses itu berpotensi mendukung gagasan tim tentang “evolusi mandiri” robot, tetapi masih merupakan sasaran pelatihan di masa depan, bukan kemampuan yang telah dibuktikan dalam pertandingan yang dilaporkan.

Bagaimana robot dilatih

Tim melaporkan bahwa data pelatihan mereka saat ini terutama berasal dari manusia. Rekaman gerak manusia digunakan dalam simulasi untuk memperluas jangkauan pukulan robot. Riset SMASH juga menjelaskan penggunaan demonstrasi hasil motion capture—penangkapan gerak menggunakan sensor—serta pustaka gerakan yang dihasilkan secara sintetis sebagai bagian dari pembelajaran keterampilan robot. 2

Laporan yang lebih terperinci menyebut sesi pelatihan harian bersama pelatih selama sekitar satu hingga dua bulan dengan peralatan motion capture. Tim juga tertarik beralih ke pengumpulan gerak tanpa penanda, atau markerless motion capture, meski metode itu berpotensi menurunkan kualitas data. Detail ini sebaiknya diperlakukan sebagai metodologi yang dilaporkan oleh tim; sumber yang tersedia belum memverifikasi secara independen setiap tahap proses tersebut. 35

Mengapa tenis meja menjadi tolok ukur robot humanoid

Tenis meja memadatkan banyak persoalan sulit dalam robotika ke dalam waktu yang sangat singkat. Robot humanoid harus melacak bola kecil yang bergerak cepat, memperkirakan lintasan dan pantulannya, memilih respons, berpindah ke posisi yang tepat, mengoordinasikan banyak sendi, menjaga keseimbangan, lalu melakukan kontak yang terukur. Pada saat yang sama, lawan dan kondisi fisik lingkungan terus berubah. 1418

Karena itu, tenis meja menjadi uji adversarial yang berguna untuk embodied AI—kecerdasan buatan yang belajar bertindak melalui tubuh fisik dan interaksi dengan lingkungan. Keberhasilan tidak cukup dicapai dengan memutar ulang rangkaian gerakan tetap. Robot harus merespons perubahan dari lawan dan kondisi bola secara langsung. Hal ini membuat tenis meja relevan untuk dibandingkan dengan cabang tantangan robot lain, termasuk pertandingan olahraga pertarungan, yang juga menuntut reaksi cepat, koordinasi fisik, dan keputusan terhadap lawan.

Dari demonstrasi ke arena Beijing

World Humanoid Robot Games kedua berlangsung di National Speed Skating Oval Beijing, yang dikenal sebagai “Ice Ribbon”, pada 22–26 Agustus 2026. Tenis meja untuk pertama kalinya menjadi cabang pertandingan resmi dalam ajang tersebut, dengan 12 tim peserta. 810

Secara keseluruhan, ajang itu diikuti 2.056 robot dalam 666 tim dan 51 disiplin. Angka tersebut mencakup seluruh pertandingan dan tidak boleh disamakan dengan jumlah robot yang mengikuti turnamen tenis meja. Tim HKU SMASH kemudian mencapai final tenis meja dan finis sebagai runner-up setelah dikalahkan tim gabungan PKU–BAAI dengan skor 0–2. 110

Robot SMASH juga tampil dalam laga ekshibisi melawan manusia yang melibatkan Ding Ning, juara Olimpiade tenis meja. Laporan yang tersedia mengidentifikasi Ding Ning sebagai lawan manusia yang terdokumentasi jelas untuk sistem HKU; atlet lain tampil dalam demonstrasi terpisah di ajang tersebut. 111920

Siapa di balik SMASH?

Proyek ini merupakan kolaborasi peneliti Universitas Hong Kong dan perusahaan embodied AI KAI, yang dalam sejumlah laporan juga disebut Chaowei atau Chaowei Motion. Tim HKU SMASH digambarkan sebagai kelompok riset embodied AI yang relatif muda, dipimpin peneliti dan banyak beranggotakan mahasiswa doktoral HKU. Profesor Lo Ping disebut sebagai pembimbing sekaligus pemimpin risetnya. 811

Tim melaporkan menghabiskan sekitar enam bulan untuk membuat robot mampu bermain melawan manusia, kemudian kira-kira setengah bulan untuk mempersiapkan dua robot agar dapat bermain secara mandiri satu sama lain. Linimasa ini merujuk pada persiapan demonstrasi yang dilaporkan, bukan keseluruhan sejarah riset robot tenis meja, yang tanggal awalnya belum ditetapkan oleh sumber yang tersedia. 11

Pada akhirnya, pencapaian SMASH 2.0 lebih spesifik—dan justru lebih berguna—daripada judul berita yang paling bombastis. Sistem ini mendemonstrasikan klaim sebagai gim tenis meja humanoid ant robot yang lengkap dan sepenuhnya mandiri, sekaligus memperlihatkan tantangan berikutnya. Robot kini dapat menghubungkan persepsi, prediksi, gerakan, dan skor dalam format kompetitif. Namun, mereka masih membutuhkan pemodelan lawan secara langsung dan pembelajaran berkelanjutan sebelum dapat disebut sebagai pemain yang benar-benar adaptif secara strategis.