⚡ electrical engineering

Ace! Motion Planning of Professional-Level Table Tennis Serves with a Robot Arm

Dieses Paper präsentiert ein neuartiges Framework, das Bewegungsprimitiven, modellprädiktive Regelung und Bayessche Optimierung kombiniert, um einen Roboterarm dazu zu befähigen, professionelle, regelkonforme Tischtennisaufschläge mit Spin- und Geschwindigkeitskapazitäten zu generieren, die denen von Elite-Spielern entsprechen oder diese sogar übertreffen.

Ursprüngliche Autoren: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Veröffentlicht 2026-07-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen Roboterarm vor, der versucht zu lernen, das schnellste, extrem rotationsintensive Tischtennisspiel der Welt zu spielen. Jahrelang haben Wissenschaften Robotern beigebracht, wie man einen Ball zurückgibt, der auf sie zufliegt (wie ein Torwart, der einen Elfmeter hält). Aber einem Roboter beizubringen, zu servieren – den Ball hochzuwerfen und ihn mit einer solchen perfekten Geschwindigkeit und Rotation zu treffen, dass er unmöglich zurückzugeben ist – war so, als würde man versuchen, einem Kleinkind beizubringen, einen perfekten Curveball zu werfen, während es Augenbinden trägt.

Dieses Paper stellt „Ace!“ vor, ein neues System, das es einem Roboter endlich ermöglicht, wie ein Weltklasse-Profi zu servieren. Hier ist die Erklärung, wie sie es geschafft haben, unterteilt in einfache Konzepte:

1. Das Problem: Der „perfekte Aufschlag“ ist schwer

Im Tischtennis ist der Aufschlag der einzige Spielzug, bei dem ein Spieler die totale Kontrolle hat. Um einen großartigen Aufschlag zu machen, muss man:

Den Ball hochwerfen (was schwierig ist, weil er eiert/wackelt).
Den Ball mit einem Schläger treffen, der sich mit hoher Geschwindigkeit bewegt.
Eine massive Menge an „Spin“ (Rotation) aufbringen (damit der Ball in der Luft kurvt).
Sicherstellen, dass er einmal auf der eigenen Seite und einmal auf der gegnerischen Seite aufkommt, ohne das Netz zu berühren.

Roboter haben hier meist Schwierigkeiten, da sie steif und präzise sind, während ein menschlicher Aufschlag eine flüssige, explosive und leicht chaotische Bewegung ist. Der Roboter muss präzise genug sein, um den Ball zu treffen, aber flexibel genug, um die chaotische Physik eines rotierenden Balls zu erzeugen.

2. Die Lösung: Ein Drei-Teile-Rezept

Das Team baute ein System, das drei verschiedene „Werkzeuge“ kombiniert, um dieses Rätsel zu lösen:

Der Bewegungsplaner (Der Choreograf):
Stellen Sie sich dies wie einen Tanzlehrer vor. Er berechnet den exakten Pfad, den der Roboterarm nehmen muss. Er sagt nicht nur „Bewege Arm hierhin“; er zerlegt die Bewegung in winzige, flüssige Schritte (wie ein Film mit 32 Bildern pro Sekunde), um sicherzustellen, dass sich der Arm geschmeidig bewegt, ohne zu ruckeln oder zu brechen. Er plant den Pfad von der Startposition bis zum exakten Moment des Ballkontakts und danach, wie er sicher stoppt.
Der Physik-Simulator (Die Kristallkugel):
Bevor der Roboter tatsächlich einen Ball schlägt, lässt dieses System tausende „Was-wäre-wenn“-Szenarien in einem Computer durchlaufen. Es fragt: „Wenn ich den Ball so hart mit dieser viel Rotation treffe, wo wird er landen?“ Es prüft, ob der Ball das Netz berührt, ob er ins Aus geht oder ob der Roboterarm mit dem Tisch kollidiert.
Der KI-Optimierer (Der Coach):
Dies ist das Gehirn der Operation. Sie verwendeten einen intelligenten Algorithkan namens HEBO (was wie ein superintelligenter Coach durch Versuch und Irrtum funktioniert).
- Der Coach probiert einen Aufschlag aus.
- Der Simulator prüft, ob er gut war.
- Wenn der Aufschlag schlecht war (ins Netz), lernt der Coach, warum, und passt den Plan leicht an.
- Wenn der Aufschlag gut war (hohe Geschwindigkeit, viel Spin, perfekter Landepunkt), merkt sich der Coach diesen Plan.
- Mit der Zeit findet der Coach die „perfekte“ Kombination aus Geschwindigkeit, Winkel und Rotation, die ein Mensch nicht ohne Weiteres berechnen könnte.

3. Die „Geheimzutat“: Mit dem Wackeln umgehen

Eine der größten Herausforderungen ist der Wurf (Toss). Wenn ein Mensch einen Ball hochwirft, eiert er leicht. Wenn ein Roboter versucht, einen Ball basierend auf einem „perfekten“ theoretischen Wurf zu treffen, wird er danebenliegen, weil der echte Ball leicht abweicht.

Das Team löste dies, indem es den Roboter robust machte. Anstatt für einen perfekten Wurf zu planen, testete die KI tausende leicht unterschiedliche, eiernde Würfe. Sie behielt nur die Aufschlagpläne, die auch dann funktionierten, wenn der Ball eierte. Das ist so, als würde man lernen, Fahrrad zu fahren – nicht nur auf einer glatten Straße, sondern auch auf einer holprigen, damit man nicht umfällt, wenn die Straße uneben wird.

4. Die Ergebnisse: Die Profis schlagen

Das Team testete ihren Roboter gegen Elite- und Profi-Spieler (einschließlich Olympiamedailisten) in echten Turnieren mit offiziellen Schiedsrichtern.

Geschwindigkeit und Spin: Der Roboter konnte den Ball mit bis zu 550 Radiant pro Sekunde rotieren lassen und mit 6,7 Metern pro Sekunde treffen. Diese Zahlen entsprechen oder übertreffen sogar die der besten menschlichen Spieler.
Gewinnen: Der Roboter hat nicht nur serviert; er hat Punkte gewonnen. Tatsächlich stieg die Gewinnchance des Roboters bei einem Aufschlag mit zunehmender Verbesserung des Systems auf fast 59 %, was mit den besten menschlichen Profis vergleichbar ist.
Der „Ace“: Der Roboter schaffte es, „Aces“ (Aufschläge, die der Gegner nicht zurückgeben kann) mit einer Rate von bis zu 21 % in einigen Matches zu erzielen.

5. Warum das wichtig ist (laut dem Paper)

Das Paper behauptet, dass dies das erste Mal ist, dass ein Roboter erfolgreich offizielle, regelkonforme Aufschläge auf professionellem Niveau generieren konnte.

Es beweist, dass Roboter die extreme Physik von Hochgeschwindigkeitssportarten bewältigen können.
Es zeigt, dass Roboter durch die Kombination von kluger Mathematik (Optimierung) mit Lernen durch Versuch und Irrtum (Bayessche Optimierung) Dinge tun können, die zuvor als zu schwierig galten, weil sie „explosive“, aber kontrollierte Bewegungen erfordern.

Kurz gesagt: Das Team hat einem Roboter beigebracht, einen Tischtennisball so perfekt zu werfen, dass selbst die besten Spieler der Welt ihn nicht zurückschlagen konnten – durch eine Mischung aus tanzähnlicher Planung, einer Kristallkugel-Simulation und einem sehr intelligenten digitalen Coach.

Technisches Resümee: „Ace! Bewegungsplanung von Tischtennis-Aufschlägen auf professionellem Niveau mit einem Roboterarm“

Problemstellung

Während die Robotikforschung das „Rallye“-Aspekt des Tischtennis (das Zurückspielen ankommender Bälle) umfassend adressiert hat, bleibt der „Aufschlag“ eine signifikant untererforschte Herausforderung. Im Gegensatz zu einer Rückgabe, bei der ein Roboter den Impuls des ankommenden Balls nutzt, erfordert ein wettbewerbsorientierter Aufschlag die Erzeugung hoher Geschwindigkeit und/oder hohen Spins aus einem spinlosen, frei fallenden Ball. Diese Aufgabe stellt extreme Schwierigkeiten dar:

Physikalische Modellierung: Der Roboter muss eine explosive, aber kontrollierte Bewegung erzeugen, um signifikanten Spin (bis zu 550 rad/s) und Geschwindigkeit (bis zu 6,7 m/s) zu übertragen, während er gleichzeitig die Regeln der International Table Tennis Federation (ITTF) einhält.
Einschränkungen: Der Ball muss zuerst auf der Seite des Roboters und dann auf der Seite des Gegners aufspringen, was die Menge der aufzubringenden Energie begrenzt. Der Schläger muss die Flugbahn des Balls annähernd senkrecht abfangen, was eine höhere Präzision erfordert als das bloße Zurückspielen eines Balls.
Hardware-Limitierungen: Mechanische Aktoren verfügen oft nicht über die leichte Kraft und Geschicklichkeit, um menschliche Handgelenk- und Armbewegungen zu replizieren, was die Bewegungsplanung für Aufschläge zu einem komplexen Optimierungsproblem unter Berücksichtigung von Aufpralldynamik und Körperkontrolle macht.

Methodik

Die Autoren präsentieren ein umfassendes System, das Bewegungsprimitiven, Modellprädiktive Regelung (MPC) und Bayessche Optimierung kombiniert, um ITTF-konforme Aufschlag-Bewegungspläne auf Elite-Niveau zu generieren. Das System nutzt einen 8-DoF-Roboter (Portal mit 2 prismatischen Achsen und einem 6-DoF-Revolutionsarm), ausgestattet mit einem Schläger, der einen Ballbecher für den einhändigen Wurf besitzt.

1. Ballwurf (Bewegungsprimitive)

Das System verwendet eine einhändige Wurfstrategie, die unter den ITTF-Regeln zulässig ist.

Datenerhebung: Menschliche Demonstrationen von einhändigen Würfen werden gesammelt und mittels Optimierung auf die Kinematik des Roboters zurückgeführt.
Ausführung: Der Roboter führt eine Trajektorie von Gelenkbefehlen ( $u_t(t)$ ) ausgehend von einem „flachen“ Zustand aus.
Umgang mit Stochastik: Aufgrund von Roboter-Vibrationen und Umwelteinflüssen variiert der Zeitpunkt des Ballfreigabepunkts. Das System identifiziert den Freigabezeitpunkt ( $t_{lift}$ ) empirisch über ein Ball-Triangulationssystem und mittelt Trajektorien mittels eines Savitzky-Golay-Filters, um Rauschen zu kompensieren.

2. Parametrisierter Bewegungsplaner (MPC)

Die Schlagbewegung ( $u_s(t)$ ) wird durch einen nichtlinearen, hybriden optimierungsbasierten Planer generiert, der eine Minimum-Jerk-Kontrollsequenz sowohl im Endeffektor- (EE) als auch im Gelenkraum berechnet.

Zielsetzung: Minimierung des quadrierten Ruck (Jerk), um glatte, dynamisch realisierbare Trajektorien sicherzustellen und gleichzeitig Randbedingungen zu erfüllen.
Randbedingungen: Der Planer erzwingt Anfangs-/Endzustands-Randbedingungen der Gelenke sowie spezifische EE-Randbedingungen zum Kontaktzeitpunkt $\tau$ (Position $p_\tau$ , Normale $n_\tau$ , Geschwindigkeit $v_\tau$ ).
Weiche Randbedingungen: Terminale Randbedingungen für Position, Orientierung und Geschwindigkeit werden unter Verwendung vordefinierter physikalischer Toleranzen (z. B. $\pm 5$ mm Position, $\pm 0,5^\circ$ Orientierung) aufgeweicht, um die Realität der Hochgeschwindigkeitsverfolgung zu berücksichtigen.
Solver: Das Problem wird als Kette von 32 stückweise konstanten Ruck-Polynomen formuliert und mit dem KNITRO-Solver gelöst, wobei die typischen Lösungszeiten bei 10–20 ms liegen.

3. Parameteroptimierung (HEBO)

Da die analytische Berechnung des optimalen Schlägerzustands ( $\xi_s$ ) aufgrund der nichtlinearen Balldynamik und der ITTF-Beschränkungen nicht handhabbar ist, verwenden die Autoren Heteroscedastic and Evolutionary Bayesian Optimization (HEBO).

Suchraum: Der Optimierer sucht über einen normalisierten Satz von Entscheidungsvariablen, einschließlich Schlagzeitpunkt, Schlägergeschwindigkeit, Orientierung (Euler-Winkel) und Ruhezeit nach dem Schlag.
Belohnungsfunktion: Die Belohnung ist ein zusammengesetzter Term, der folgende Werte bewertet:
- Legalität ( $s_{leg}$ ): Sequenzielle Prüfungen der ITTF-Konformität (z. B. korrekte Aufsprungreihenfolge, Netzpassage, Selbstkollision). Illegale Aufschläge erhalten harte Strafen.
- Leistung: Belohnungen für Landegenauigkeit ( $r_{pos}$ ), Geschwindigkeitsbetrag ( $r_{vel}$ ), Höhe ( $r_{height}$ ) und spezifische Spin-Komponenten ( $r_{top/back}$ , $r_{side}$ ).
Robustheit: Um die stochastische Natur des Wurfs zu handhaben, evaluiert der Optimierer Kandidaten gegen mehrere aufgezeichnete Wurf-Trajektorien und aggregiert die Belohnungen, um die Suche hin zu Parametern zu lenken, die robust gegenüber Abweichungen im Wurf sind.

4. Realweltliche Auswahl

Eine Wettbewerbsbibliothek wird gepflegt und iterativ verfeinert. Aufschläge werden für Turniere basierend auf einem heuristischen Algorithmus ausgewählt, der die Unähnlichkeit des Spins zwischen aufeinanderfolgenden Aufschlägen maximiert, um die Anpassung durch den Gegner zu verhindern.

Kernergebnisse

Das System wurde in Turnieren gegen Elite- und Profi-Tischtennisspieler aus Japan evaluiert, die von lizenzierten Schiedsrichtern geleitet wurden.

Leistungsmetriken: Der Roboter erzielte Aufschläge mit Spins von bis zu 550 rad/s und Geschwindigkeiten von bis zu 6,7 m/s, was die Werte von Elite-Menschen erreicht oder übertrifft.
Gewinnwahrscheinlichkeit: Der Roboter hielt eine Punktgewinnwahrscheinlichkeit beim Aufschlag zwischen 51,5 % und 58,7 % im April 2026, was vergleichbar mit professionellen menschlichen Benchmarks (ca. 52–53 %) ist.
Iterative Verbesserung: Die Arbeit beschreibt den Fortschritt von einer Baseline-Methode (April 2025) hin zum finalen HEBO-basierten System (April 2026). Zu den wesentlichen Verbesserungen gehörten:
- Einbeziehung mehrerer Wurf-Trajektorien für die Robustheit.
- Wechsel von einem Genetischen Algorithmus zu HEBO.
- Erhöhung der dynamischen Limits (Beschleunigung/Ruck), um die vollen Möglichkeiten der Aktoren auszuschöpfen.
- Strategische Bereinigung der Aufschlag-Bibliothek, um Aufschläge zu entfernen, die zu Punkten für den Gegner führten.
Aufgabenspezifische Generierung: In kontrollierten Experimenten generierte das System erfolgreich Aufschläge mit spezifischen Zielen (z. B. Maximierung von Topspin, Backspin oder Sidespin), was eine starke Korrelation zwischen den Gewichtungen der Belohnungsfunktion und den physischen Ergebnissen zeigt (z. B. Erzeugung von -164 rad/s Backspin bei gezielter Belohnung).

Bedeutung und Ansprüche

Das Paper behauptet, das erste umfassende System zu präsentieren, das in der Lage ist, professionelle, ITTF-konforme Aufschlag-Bewegungspläne für einen Roboterarm zu generenieren. Die Bedeutung liegt in:

Überbrückung der Lücke: Erfolgreiche Adressierung des „Aufschlag“-Problems, welches erfordert, die physikalische Modellierung und Steuerung an die Grenzen zu treiben, was sich deutlich vom Rallye-Problem unterscheidet.
Wettbewerbsfähigkeit: Demonstration, dass ein Roboter Aufschläge mit einer Geschwindigkeit und einem Spin generieren kann, die denen von Elite-Menschen ebenbürtig oder überlegen sind, was erstmals dazu beiträgt, dass ein Roboter Best-of-3-Matches gegen professionelle Athleten gewinnt.
Methodischer Beitrag: Vorschlag eines Frameworks, das optimierungsbasierte Bewegungsplanung mit Bayesscher Optimierung (HEBO) kombiniert, um in komplexen, spärlichen und verrauschten Suchräumen in der Robotik zu navigieren.

Die Autoren räumen ein, dass die „Sim-to-Real“-Lücke weiterhin eine Herausforderung darstellt, und stellen fest, dass nicht alle simulierten Bewegungspläne perfekt auf die Hardware übertragbar sind; zukünftige Arbeiten werden sich auf eine verbesserte physikalische Modellierung und die automatische Feinabstimmung auf dem Hardwaresystem konzentrieren.