Dwa humanoidalne roboty zagrały pełny mecz tenisa stołowego bez zdalnego sterowania

Najważniejsze w demonstracji SMASH 2.0 nie było samo odbicie piłki, lecz rozegranie całej partii. Dwa humanoidalne roboty miały niezależnie serwować, reagować na nadlatujące zagrania, atakować, bronić się i zdobywać punkty aż do wyłonienia zwycięzcy. Według zespołu odbyło się to bez zdalnego sterowania, ludzkiego podawania piłek i zewnętrznego systemu kamer. 4612

Sformułowanie „pierwszy taki mecz” należy traktować jako deklarację badaczy, a nie niezależnie potwierdzony werdykt całej branży. Dostępne materiały potwierdzają jednak zakres demonstracji: autonomiczną rywalizację humanoidów, wykorzystanie percepcji pokładowej oraz format pełnej partii do 11 punktów. 24

Pełna partia do 11 punktów to nie 11 wymian

W tenisie stołowym wymiana trwa od serwu do zakończenia akcji i zdobycia punktu. Pełna partia wymaga znacznie więcej niż serii udanych odbić: roboty muszą serwować, odbierać piłkę, reagować na błędy, przypisywać punkty, zmieniać serwis i kontynuować grę aż do zwycięstwa jednego z zawodników. Jedenaście kolejnych odbić nie dowodzi jeszcze, że system potrafi samodzielnie przeprowadzić cały mecz. 57

Różnica ma znaczenie techniczne. Robot może być zaprogramowany do zwracania przewidywalnie podawanych piłek albo do współpracy z ludzkim trenerem. Dwa roboty próbujące wygrać muszą natomiast podejmować decyzje ofensywne i defensywne, zamiast jedynie podtrzymywać pokazową wymianę. 57

Jak działa pętla SMASH 2.0

SMASH 2.0 jest modułowym systemem, który łączy cztery główne funkcje:

1. Percepcja: pokładowe, egocentryczne kamery wykrywają piłkę i szacują stan robota, bez konieczności używania zewnętrznego zestawu kamer. 2
2. Przewidywanie trajektorii: system oblicza kierunek lotu piłki i przewiduje jej tor oraz odbicie od stołu. 714
3. Planowanie ruchu i uderzenia: robot wybiera sposób oraz miejsce uderzenia, dostosowując reakcję do różnych trajektorii nadlatującej piłki. 714
4. Kontrola całego ciała: nogi, tułów, ręce i rakietka współpracują tak, aby robot doszedł do piłki, zachował równowagę i wykonał zaplanowane uderzenie. 214

Według opisów system działa w oknie czasowym liczonym w milisekundach. Robot musi rozpoznać piłkę, obliczyć jej trajektorię i zaplanować uderzenie, zanim nadejdzie kolejny moment kontaktu. Praca naukowa poświęcona SMASH podkreśla również uczenie przez naśladowanie dopasowane do zadania oraz pokładową percepcję umożliwiającą interakcję w czasie rzeczywistym. 2714

Co zmieniło się względem SMASH 1.0

Aktualizacja do wersji 2.0 dotyczyła funkcji niezbędnych do rozegrania prawdziwej partii, a nie tylko wygodnego ćwiczenia z podawaniem piłki.

Autonomiczny serw

SMASH 2.0 otrzymał możliwość samodzielnego serwowania. Dzięki temu roboty mogą rozpoczynać akcje i zmieniać się przy serwisie zgodnie z formatem gry. Bez tej funkcji mogłyby uczestniczyć w wymianach, ale nie byłyby w stanie samodzielnie rozpocząć i zakończyć pełnego meczu. 58

Większy zakres uderzeń

System rozszerzył przestrzeń, w której robot może skutecznie dosięgnąć piłki. Ma to umożliwiać reagowanie zarówno na krótsze, jak i dłuższe zagrania. Zespół wykorzystywał dane o ludzkich ruchach w symulacji, aby stworzyć szerszą bibliotekę ruchów i lepiej pokryć dostępny zakres pracy robota. 2

Gra nastawiona na zwycięstwo

Pełny mecz wymaga także ataku i obrony. Opis SMASH 2.0 obejmuje różne rodzaje odbić oraz kierowanie piłki w wybrane miejsca, co czyni system bardziej meczowym niż rozwiązanie zwracające jedynie przewidywalnie podawaną piłkę. Źródła nie dowodzą jednak, że roboty mają wszechstronność taktyczną na poziomie człowieka. Ostrożniejszy wniosek jest taki, że demonstracja połączyła autonomiczny serw, percepcję, ruch i punktację w jednej pętli gry. 714

Największe ograniczenie: zaprogramowana strategia zamiast nauki w trakcie meczu

Robotom można obecnie nadać z góry ustalone podejście — na przykład szybszy lub wolniejszy styl gry albo różne miejsca kierowania piłki. Zespół przyznaje, że nie osiągnął jeszcze prawdziwego uczenia online przeciwko konkretnemu przeciwnikowi podczas trwającego meczu. W praktyce robot nie potrafi stale rozpoznawać preferencji rywala i na bieżąco zmieniać taktyki.

Planowanym krokiem jest zapisywanie danych z meczów robot kontra robot, w tym udanych i nieudanych wymian, a następnie wykorzystywanie ich w treningu ze wzmocnieniem na fizycznych robotach. Taki proces mógłby w przyszłości doprowadzić do zapowiadanej przez zespół „samoewolucji”, ale na razie jest to cel szkoleniowy, a nie zaprezentowana funkcja systemu.

Jak szkolono roboty

Zespół informuje, że obecne dane treningowe pochodzą przede wszystkim od ludzi. Nagrania ludzkich ruchów wykorzystywano w symulacji do poszerzenia zakresu uderzeń, a opis naukowy SMASH wspomina o demonstracjach zarejestrowanych systemem motion capture oraz generowanych bibliotekach ruchów. 2

Bardziej szczegółowe relacje mówią o codziennych sesjach z trenerami trwających około jednego–dwóch miesięcy, podczas których wykorzystywano sprzęt do przechwytywania ruchu. Zespół interesuje się także rejestracją bez znaczników, mimo możliwego kompromisu w jakości danych. Te informacje należy traktować jako opisaną przez zespół metodologię — dostępne źródła nie weryfikują niezależnie każdego elementu tego procesu. 35

Dlaczego tenis stołowy jest trudnym testem humanoida

Tenis stołowy skupia w krótkim czasie kilka wyjątkowo wymagających problemów robotyki. Humanoid musi śledzić małą i szybko poruszającą się piłkę, przewidzieć jej lot oraz odbicie, wybrać reakcję, ustawić się przy stole, skoordynować wiele stawów, utrzymać równowagę i precyzyjnie trafić w piłkę. W tym samym czasie przeciwnik oraz warunki fizyczne nieustannie się zmieniają. 1418

Dlatego dyscyplina jest użytecznym, konkurencyjnym testem sztucznej inteligencji ucieleśnionej. Sukces zależy od reagowania na nowe sytuacje, a nie od odtwarzania stałej sekwencji ruchów. Pod tym względem tenis stołowy można zestawić z innymi formalnymi wyzwaniami sportowymi dla robotów, w tym z konkurencjami walki: w obu przypadkach potrzebne są szybkie reakcje, koordynacja fizyczna i decyzje podejmowane wobec przeciwnika.

Z demonstracji do zawodów w Pekinie

Druga edycja World Humanoid Robot Games odbyła się w pekińskiej hali National Speed Skating Oval, znanej jako „Ice Ribbon”, od 22 do 26 sierpnia 2026 roku. Tenis stołowy po raz pierwszy znalazł się w oficjalnym programie zawodów, a w turnieju wystąpiło 12 drużyn. 810

W całej imprezie rywalizowały 2056 robotów w 666 zespołach i 51 dyscyplinach. Te dane dotyczą całych zawodów, a nie wyłącznie turnieju tenisa stołowego. Drużyna HKU SMASH dotarła do finału, w którym przegrała 0:2 z zespołem PKU–BAAI. 110

Roboty SMASH pojawiły się również w pokazowym meczu z udziałem mistrzyni olimpijskiej w tenisie stołowym Ding Ning. To właśnie Ding Ning jest wyraźnie udokumentowaną ludzką przeciwniczką systemu HKU; inni sportowcy występowali w odrębnych pokazach podczas igrzysk robotów. 111920

Kto stworzył SMASH?

Projekt jest współpracą badaczy Uniwersytetu Hongkońskiego z firmą KAI zajmującą się sztuczną inteligencją ucieleśnioną, określaną w części materiałów także jako Chaowei lub Chaowei Motion. Drużynę HKU SMASH opisuje się jako młody zespół badawczy skupiony na algorytmach embodied AI, prowadzony przez naukowców i w dużej mierze złożony z doktorantów Uniwersytetu Hongkońskiego. Jako opiekun i lider badań wskazywany jest profesor Lo Ping. 811

Zespół informował, że przez około sześć miesięcy przygotowywał roboty do gry z ludźmi, a następnie przez mniej więcej pół miesiąca przystosowywał dwa roboty do autonomicznej rywalizacji między sobą. Ten harmonogram dotyczy przygotowań do opisanej demonstracji, a nie całej historii badań nad robotycznym tenisem stołowym, której dokładnej daty rozpoczęcia nie ustalają dostępne źródła. 11

Praktyczne znaczenie SMASH 2.0 jest więc węższe — i zarazem bardziej konkretne — niż sugerują najbardziej efektowne nagłówki. System zademonstrował deklarowany przez twórców pierwszy pełny, autonomiczny mecz humanoida przeciwko humanoidowi. Pokazał, że roboty potrafią połączyć percepcję, przewidywanie, ruch i punktację w konkurencyjnej formule. Nadal brakuje im jednak niezawodnego modelowania przeciwnika online i ciągłego uczenia się, aby można było mówić o naprawdę adaptacyjnych zawodnikach.