SMASH 2.0: Slik fullførte to humanoide roboter en autonom 11-poengskamp i bordtennis

Det oppsiktsvekkende ved demonstrasjonen av SMASH 2.0 var ikke bare at robotene klarte å slå ballen frem og tilbake. Teamet fra Universitetet i Hongkong (HKU) og KAI/Chaowei opplyste at to humanoide roboter spilte en komplett bordtenniskamp til 11 poeng: De serverte etter tur, reagerte på motstanderens slag, angrep og forsvarte seg, samlet poeng og fortsatte til én robot vant. Demonstrasjonen ble gjennomført uten fjernstyring, menneskelig ballmating eller eksterne kameraer. 4612

Påstanden om at dette var den «første» kampen, bør likevel forstås som forskerteamets egen beskrivelse – ikke som en uavhengig, bransjeomfattende fastslått rekord. Det kildene støtter tydelig, er omfanget: autonomt spill mellom to humanoide roboter, med kameraer om bord og en kamp som ble spilt helt til en vinner var kåret. 24

En hel 11-poengskamp er mer enn 11 ballvekslinger

En ballveksling, eller rally, er perioden fra ballen settes i spill til poenget er avgjort. En komplett kamp til 11 poeng krever at robotene håndterer mer enn selve returen: De må serve, ta imot serven, slå tilbake, håndtere feilslag, registrere hvem som får poenget, bytte server og fortsette til reglene gir en vinner. Elleve vellykkede slagserier alene ville ikke vist at de behersket alle disse oppgavene. 57

Forskjellen er viktig. En robot kan trenes til å returnere baller i en samarbeidsøvelse eller mot en person som mater ballene på samme måte hver gang, uten å ha den bredere autonomien som kreves for å starte og fullføre en konkurranse. Når to roboter faktisk prøver å vinne, må de dessuten kunne angripe og forsvare seg – ikke bare holde liv i en avtalt demonstrasjonsrally. 57

Slik lukker SMASH 2.0 sløyfen fra syn til handling

SMASH 2.0 beskrives som et modulært system som knytter fire funksjoner sammen:

1. Sanseinntrykk: Kameraer montert på roboten oppdager ballen og anslår robotens egen tilstand. Systemet er ikke avhengig av et eksternt kameraoppsett under bruk. 2
2. Forutsigelse av ballbane: Systemet beregner hvor ballen beveger seg, og anslår både flygebane og sprett. 714
3. Planlegging av bevegelse og slag: Roboten velger hvordan og hvor den skal treffe ballen, også når innkommende baller har ulike baner og lengder. 714
4. Kontroll av hele kroppen: Bein, overkropp, armer og racket koordineres slik at roboten kan komme seg i posisjon, holde balansen og utføre det valgte slaget. 214

Rapporter beskriver et beslutnings- og kontrollvindu på millisekundnivå. Roboten må altså oppdage ballen, beregne banen og planlegge slaget før neste mulige treffpunkt. 714 Den akademiske beskrivelsen av SMASH fremhever på sin side oppgavespesifikk imitasjonslæring for slagkontroll og sanseinntrykk fra robotens eget perspektiv for samspill i sanntid. 2

Hva ble forbedret fra SMASH 1.0?

Oppgraderingen fra SMASH 1.0 handlet først og fremst om funksjoner som trengs i en faktisk kamp, ikke bare i en forutsigbar returøvelse.

Roboten kan serve selv

SMASH 2.0 fikk autonom serving. Dermed kan robotene starte poengene selv og bytte på å serve i tråd med kampformatet. Uten denne funksjonen kunne en robot delta i ballvekslinger, men ikke gjennomføre en hel kamp på egen hånd fra første serve til siste poeng. 58

Større rekkevidde for slagene

Systemet utvidet området roboten kan nå med racketen, slik at den kan håndtere både korte og lange baller. Teamet opplyste at menneskelige bevegelsesdata ble brukt i simulering for å bygge et bredere bibliotek av slagbevegelser og dekke mer av robotens arbeidsområde. 2

Fra samarbeid til angrep og forsvar

En komplett kamp krever også at robotene forsøker å sette hverandre under press. Teamets beskrivelse av SMASH 2.0 omfatter ulike typer returer og plasseringer, noe som gjør systemet mer kamporientert enn et system som bare returnerer en forutsigbar ball. Kildene viser likevel ikke at robotene har menneskelig taktisk allsidighet. Den sikreste konklusjonen er at demonstrasjonen samlet autonom serving, sanseinntrykk, bevegelse og poengføring i én sammenhengende kampsyklus. 714

Begrensningen i dag: forhåndsvalgt strategi, ikke læring under kampen

Robotene kan få forhåndsinnstilte strategier, for eksempel raskere eller roligere spill og ulike plasseringer av ballen. Teamet sier imidlertid at de ennå ikke har fått til ekte læring i sanntid mot en bestemt motstander under en pågående kamp. I praksis betyr det at roboten ikke kontinuerlig kan tolke motstanderens preferanser og endre taktikken underveis.

Neste steg er å ta vare på data fra robotkamper – både vellykkede og mislykkede ballvekslinger – og bruke dem senere til forsterkende læring på fysiske roboter. Det kan på sikt gi grunnlag for det teamet omtaler som robotenes «selvutvikling». Foreløpig er dette et fremtidig treningsmål, ikke en egenskap som er demonstrert i den omtalte kampen.

Hvordan ble robotene trent?

Teamet opplyser at dagens treningsdata i hovedsak kommer fra mennesker. Opptak av menneskelige bevegelser ble brukt i simulering for å utvide robotenes slagområde, mens SMASH-forskningen beskriver bevegelsesopptak og genererte bevegelsesbiblioteker som deler av systemets metode for å lære ferdigheter. 2

Mer detaljerte omtaler beskriver daglige treningsøkter med trenere i omtrent én til to måneder, der trenerne brukte utstyr for bevegelsesopptak. Teamet har også vist interesse for såkalt markerless motion capture – bevegelsesinnsamling uten markører – selv om dette kan innebære kompromisser når det gjelder datakvalitet. Denne beskrivelsen bør behandles som teamets egen redegjørelse for metoden; kildene som er tilgjengelige her, bekrefter ikke uavhengig alle deler av prosessen. 35

Hvorfor er bordtennis en krevende robotbenchmark?

Bordtennis samler flere vanskelige robotproblemer i løpet av svært kort tid. En humanoid robot må følge en liten og rask ball, forutsi flygebane og sprett, velge en respons, bevege seg på plass, koordinere mange ledd, holde balansen og treffe kontrollert. Samtidig endrer både motstanderen og de fysiske omgivelsene seg hele tiden. 1418

Derfor fungerer sporten som en krevende, motstanderbasert test av fysisk kunstig intelligens – ofte kalt embodied AI. Det holder ikke å spille av en fast sekvens; roboten må reagere på nye situasjoner. På den måten kan bordtennis sammenlignes med andre organiserte robotidretter og kampsportøvelser, der raske reaksjoner, fysisk koordinering og beslutninger mot en motstander står sentralt.

Fra demonstrasjon til konkurranse i Beijing

Den andre World Humanoid Robot Games ble arrangert i Beijings nasjonale skøyteoval, kjent som «Ice Ribbon», fra 22. til 26. august 2026. Bordtennis var for første gang en offisiell konkurransegren, med 12 deltakende lag. 810

Totalt deltok 2 056 roboter fordelt på 666 lag fra 16 land i 51 grener. Dette tallet gjelder hele arrangementet og må ikke forveksles med antallet roboter i bordtennisturneringen. HKU SMASH-laget nådde til slutt finalen, men tapte 0–2 mot PKU–BAAI-laget, som tok gullet. 110

SMASH-robotene deltok også i en oppvisning mot den olympiske bordtennismesteren Ding Ning. Hun er den tydelig dokumenterte menneskelige motstanderen for HKU-systemet; andre idrettsutøvere deltok i separate oppvisninger under lekene. 111920

Hvem står bak SMASH?

Prosjektet er et samarbeid mellom forskere ved Universitetet i Hongkong og selskapet KAI, som også omtales som Chaowei eller Chaowei Motion. HKU SMASH beskrives som en ung forskningsgruppe innen embodied AI, ledet av forskere og i stor grad bestående av doktorgradsstudenter ved HKU. Professor Lo Ping er oppgitt som veileder og forskningsleder. 811

Teamet opplyste at det brukte rundt seks måneder på å gjøre robotene i stand til å spille mot mennesker, før omtrent en halv måned ble brukt på å klargjøre to roboter for autonomt spill mot hverandre. Dette er den rapporterte forberedelsestiden for demonstrasjonen – ikke nødvendigvis hele historien til bordtennisforskningen, hvis nøyaktige startdato ikke er fastslått i kildene her. 11

Den praktiske betydningen av SMASH 2.0 er dermed både smalere og mer interessant enn de bredeste overskriftene antyder: Teamet demonstrerte det de omtaler som den første komplette, autonome bordtenniskampen mellom to humanoide roboter. Samtidig ble den neste utfordringen tydelig. Robotene kan koble sammen sanseinntrykk, forutsigelse, bevegelse og poengføring i et konkurranseformat – men de trenger fortsatt pålitelig modellering av motstanderen og kontinuerlig læring før de kan kalles strategisk tilpasningsdyktige spillere.