SMASH 2.0: Robotarna spelade till 11 poäng utan fjärrkontroll

Det här var mer än ett imponerande robottrick i några få bollar. Teamet från University of Hong Kong (HKU) och KAI, även kallat Chaowei Motion i rapporteringen, uppger att två humanoida robotar självständigt spelade en hel bordtennismatch till 11 poäng. De turades om att serva, reagerade på inkommande slag, anföll och försvarade sig, samlade poäng och spelade tills en robot stod som segrare. Ingen fjärrstyrning, mänsklig bollmatning eller extern kamerauppsättning användes. 4612

Formuleringen om en ”första” match bör dock förstås som forskarnas egen bedömning, inte som ett oberoende fastslaget branschrekord. Det som stöds av den tillgängliga rapporteringen är omfattningen: autonomt spel mellan två humanoida robotar, med ombordbaserad perception och ett helt matchformat. 24

En match till 11 poäng är inte samma sak som 11 bollar i rad

I bordtennis är en duell, eller rally, det utbyte som pågår från en serve tills poängen tar slut. En komplett match till 11 poäng kräver betydligt mer än att robotarna lyckas slå tillbaka bollen flera gånger. De måste kunna serva, ta emot, hantera missar, avgöra vem som får poängen, byta serve enligt matchformatet och fortsätta tills reglerna utser en vinnare. 57

Det är en viktig teknisk skillnad. En robot kan tränas att returnera bollar i en förutsägbar övning eller svara på en mänsklig bollmatare utan att ha den bredare självständighet som krävs för att starta och slutföra en tävlingsmatch. När två robotar dessutom försöker vinna måste de kunna välja både offensiva och defensiva svar – inte bara hålla igång en samarbetsinriktad bollväxling. 57

Så fungerar SMASH 2.0:s slutna kontrollloop

SMASH 2.0 beskrivs som ett modulärt system som kopplar ihop fyra centrala funktioner:

1. Perception: Kameror på roboten upptäcker bollen och uppskattar relevant information om robotens eget tillstånd. Systemet behöver därför inte förlita sig på externa kameror under användning. 2
2. Bollbaneprediktion: Systemet beräknar bollens färdriktning och förutser både flykt och studs. 714
3. Slag- och rörelseplanering: Robotens system väljer hur och var bollen ska träffas, även när inkommande bollar har olika bana och längd. 714
4. Styrning av hela kroppen: Ben, överkropp, armar och racket samordnas så att roboten kan nå bollen, hålla balansen och genomföra det planerade slaget. 214

Rapporteringen beskriver detta som ett besluts- och kontrollfönster på millisekundnivå. Roboten måste upptäcka den inkommande bollen, räkna ut dess bana och planera slaget innan nästa möjliga träffpunkt. 714 Den akademiska beskrivningen av SMASH lyfter på liknande sätt fram uppgiftsanpassad imitationsinlärning för slagkontroll och ombordbaserad perception för interaktion i realtid. 2

Vad som blev bättre från SMASH 1.0

Uppgraderingen från SMASH 1.0 handlade framför allt om funktioner som behövs i en riktig match – inte bara i en bekväm returövning.

Robotarna kan serva själva

SMASH 2.0 fick autonom serve, vilket gör att robotarna kan starta poängen och turas om att serva enligt matchformatet. Utan den funktionen kan en robot delta i bollväxlingar, men inte självständigt driva en hel match från första serve till avgörande poäng. 58

Större räckvidd för slagen

Systemet utökades för att hantera både kortare och längre bollar. Teamet uppger att data från mänskliga rörelser användes i simulering för att bygga upp ett bredare bibliotek av slag och täcka en större del av robotens möjliga arbetsområde. 2

Från samarbetsövning till matchspel

En komplett match kräver också att robotarna kan anfalla och försvara sig. Beskrivningen av SMASH 2.0 omfattar flera typer av returer och olika placeringar av bollen, vilket gör systemet mer matchinriktat än ett system som bara returnerar en förutsägbar boll. De tillgängliga källorna visar däremot inte att robotarna har mänsklig taktisk bredd. Den säkrare slutsatsen är att demonstrationen band samman serve, perception, rörelse och poängräkning i en enda tävlingsliknande loop. 714

Begränsningen just nu: förinställd strategi i stället för anpassning i realtid

Robotarna kan för närvarande få förinställda spelstilar, exempelvis snabbare eller långsammare spel och olika målplaceringar. Teamet säger att de ännu inte har uppnått genuin inlärning online mot en specifik motståndare under en pågående match. I praktiken kan roboten alltså inte fortlöpande analysera en rivals vanor och ändra sin taktik i realtid.

Nästa steg är att spara data från matcher mellan robotar, inklusive både lyckade och misslyckade bollväxlingar. Dessa data ska senare kunna användas i förstärkningsinlärning på riktiga robotar. Det kan på sikt stödja teamets idé om robotisk ”självutveckling”, men är fortfarande ett framtida träningsmål – inte en bevisad egenskap hos matchen som rapporterats.

Hur robotarna tränades

Teamet uppger att de nuvarande träningsdata främst kommer från människor. Inspelningar av mänskliga rörelser användes i simulering för att utöka robotarnas slagomfång, medan SMASH-forskningen beskriver rörelsefångst och genererade rörelsebibliotek som delar av systemets färdighetsinlärning. 2

Mer detaljerade rapporter beskriver dagliga träningspass under ungefär en till två månader, där tränare bar utrustning för rörelsefångst. Teamet har därefter visat intresse för så kallad markerless motion capture, alltså rörelseinsamling utan särskilda markörer, trots möjliga kompromisser i datakvaliteten. Denna detalj bör behandlas som teamets egen beskrivning av metoden; tillgängliga källor verifierar inte oberoende varje del av processen. 35

Varför bordtennis är ett tufft test för humanoida robotar

Bordtennis pressar flera svåra robotikproblem in i ett mycket kort tidsintervall. En humanoid robot måste följa en liten och snabbt rörlig boll, förutsäga dess bana och studs, välja ett svar, förflytta sig rätt, samordna många leder, hålla balansen och få kontrollerad kontakt med racketen. Samtidigt förändras både motståndaren och den fysiska situationen hela tiden. 1418

Därför fungerar sporten som ett användbart motståndsbaserat test av fysisk AI – så kallad embodied AI. Framgång handlar om att reagera på nya förhållanden, inte om att bara spela upp en fast sekvens. På samma sätt som i andra formella robotutmaningar, exempelvis kampsport, måste systemet fatta snabba beslut i respons på en motståndare och en föränderlig omgivning.

Från demonstration till tävling i Peking

Den andra upplagan av World Humanoid Robot Games hölls i Pekings National Speed Skating Oval, som är känt som ”Ice Ribbon”, den 22–26 augusti 2026. Bordtennis var för första gången en officiell tävlingsgren och lockade 12 lag. 810

Totalt deltog 2 056 robotar från 666 lag i 51 grenar, men den siffran ska inte blandas ihop med antalet robotar i bordtennistävlingen. HKU:s SMASH-lag tog sig till final, där PKU–BAAI-laget vann med 2–0. HKU-laget slutade därmed på andra plats. 110

SMASH-robotarna deltog också i en uppvisning mot den olympiska bordtennismästaren Ding Ning. Hon är den tydligt dokumenterade mänskliga motståndaren för HKU-systemet; andra idrottare deltog i separata uppvisningar under spelen. 111920

Vilka står bakom SMASH?

Projektet är ett samarbete mellan forskare vid University of Hong Kong och företaget KAI, som i rapporteringen också kallas Chaowei eller Chaowei Motion. HKU:s SMASH-lag beskrivs som en ung forskargrupp inom fysisk AI, ledd av forskare och till stor del bestående av doktorander vid universitetet. Professor Lo Ping anges som handledare och forskningsledare. 811

Teamet uppger att det tog omkring sex månader att få robotarna att spela mot människor. Därefter ägnade man ungefär en halv månad åt att förbereda två robotar för autonomt spel mot varandra. Tidslinjen gäller den rapporterade förberedelsen inför demonstrationen, inte hela historiken bakom forskningen om robotiserad bordtennis, vars exakta startdatum inte är fastställt i de tillgängliga källorna. 11

Den praktiska betydelsen av SMASH 2.0 är därför både smalare och mer intressant än de mest långtgående rubrikerna antyder. Teamet demonstrerade en match som de beskriver som den första kompletta autonoma bordtennismatchen mellan två humanoida robotar. Samtidigt blev nästa utmaning tydlig: robotarna kan nu koppla ihop perception, prediktion, rörelse och poängräkning i ett tävlingsformat, men behöver fortfarande tillförlitlig modellering av motståndaren och kontinuerlig inlärning för att kunna kallas strategiskt anpassningsbara spelare.