⚡ electrical engineering

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

Cet article présente un nouveau cadre combinant des primitives de mouvement, la commande prédictive de modèle et l'optimisation bayésienne pour permettre à un bras robotisé de générer des services de tennis de table de niveau professionnel, respectant les règles, avec des capacités d'effet et de vitesse égalant ou dépassant celles des joueurs humains d'élite.

Auteurs originaux : Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Publié 2026-07-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un bras robotique essayant d'apprendre à jouer au jeu de ping-pong le plus rapide et le plus riche en effets au monde. Pendant des années, les scientifiques ont appris aux robots comment renvoyer une balle qui fonce sur eux (comme un gardien de but arrêtant un penalty). Mais apprendre à un robot à servir — à lancer la balle en l'air et à la frapper avec une vitesse et un effet si parfaits qu'ils sont impossibles à retourner — a été comme essayer d'apprendre à un bambin à lancer une balle courbe parfaite les yeux bandés.

Ce document présente « Ace ! », un nouveau système qui permet enfin à un robot de servir comme un professionnel de classe mondiale. Voici comment ils ont procédé, décomposé en concepts simples :

1. Le Problème : Le « Service Parfait » est Difficile

Au tennis de table, le service est le seul mouvement sur lequel un joueur a un contrôle total. Pour réussir un grand service, il faut :

Lancer la balle en l'air (ce qui est délicat car elle oscille).
La frapper avec une raquette se déplaçant à grande vitesse.
Appliquer une quantité massive d'« effet » (faisant courber la balle dans les airs).
S'assurer qu'elle rebondisse une fois de votre côté, puis une fois du côté de l'adversaire, sans toucher le filet.

Les robots éprouvent généralement des difficultés ici car ils sont rigides et précis, alors qu'un service humain est un mouvement fluide, explosif et légèrement chaotique. Le robot doit être assez précis pour frapper la balle, mais assez flexible pour créer la physique chaotique d'une balle rotative.

2. La Solution : Une Recette en Trois Parties

L'équipe a construit un système qui combine trois « outils » différents pour résoudre ce casse-tête :

Le Planificateur de Mouvement (Le Chorégraphe) :
Considérez cela comme un instructeur de danse. Il calcule la trajectoire exacte que le bras du robot doit suivre. Il ne se contente pas de dire « bouge le bras ici » ; il décompose le mouvement en étapes minuscules et fluides (comme un film composé de 32 images par seconde) pour s'assurer que le bras se déplace de manière fluide sans saccades ni ruptures. Il planifie le chemin du point de départ jusqu'au moment exact de l'impact avec la balle, puis comment s'arrêter en toute sécurité.
Le Simulateur de Physique (La Boule de Cristal) :
Avant que le robot ne frappe réellement une balle, ce système exécute des milliers de scénarios de type « et si ? » dans un ordinateur. Il demande : « Si je frappe la balle si fort avec tel effet, où atterrira-t-elle ? ». Il vérifie si la balle touche le filet, si elle sort des limites, ou si le bras du robot s'écrase contre la table.
L'Optimiseur d'IA (L'Entraîneur) :
C'est le cerveau de l'opération. Ils ont utilisé un algorithme intelligent appelé HEBO (qui est comme un entraîneur de type essai-erreur super intelligent).
- L'entraîneur tente un service.
- Le simulateur vérifie s'il était bon.
- Si le service est mauvais (touche le filet), l'entraîneur apprend pourquoi et ajuste légèrement le plan.
- Si le service est bon (grande vitesse, beaucoup d'effet, atterrissage parfait), l'entraîneur mémorise ce plan.
- Au fil du temps, l'entraîneur trouve la combinaison « parfaite » de vitesse, d'angle et d'effet qu'un humain ne pourrait pas calculer facilement.

3. La « Recette Secrète » : Gérer l'Oscillation

L'un des plus grands défis est le lancement. Lorsqu'un humain lance une balle, celle-ci oscille légèrement. Si un robot essaie de frapper une balle en se basant sur un lancer « parfait » théorique, il ratera sa cible parce que la vraie balle est légèrement décalée.

L'équipe a résolu cela en apprenant au robot à être robuste. Au lieu de planifier pour un seul lancer parfait, l'IA a testé des milliers de lancements oscillants légèrement différents. Elle n'a conservé que les plans de service qui fonctionnaient même lorsque la balle oscillait. C'est comme apprendre à faire du vélo non pas seulement sur une route lisse, mais sur une route accidentée, afin de ne pas tomber quand la route devient difficile.

4. Les Résultats : Battre les Pros

L'équipe a testé son robot contre des joueurs humains d'élite et professionnels (y compris des médaillés olympiques) lors de véritables tournois avec des arbitres officiels.

Vitesse et Effet : Le robot pouvait faire tourner la balle jusqu'à 550 radians par seconde et la frapper à 6,7 mètres par seconde. Ces chiffres égalent ou battent les meilleurs joueurs humains.
Victoires : Le robot ne s'est pas contenté de servir ; il a gagné des points. En fait, à mesure qu'ils amélioraient le système, la probabilité de victoire du robot lors de son service montait à près de 59 %, ce qui est comparable aux meilleurs professionnels humains.
L'« Ace » : Le robot a réussi à frapper des « Aces » (des services que l'adversaire ne peut pas retourner) à un taux allant jusqu'à 21 % dans certains matchs.

5. Pourquoi Cela Importe (Selon l'Article)

L'article affirme que c'est la première fois qu'un robot génère avec succès des services de niveau professionnel, conformes aux règles officielles.

Cela prouve que les robots peuvent gérer la physique extrême des sports de haute vitesse.
Cela montre qu'en combinant une mathématique intelligente (optimisation) avec un apprentissage par essai-erreur (optimisation bayésienne), les robots peuvent accomplir des choses auparavant jugées trop difficiles car elles nécessitent des mouvements « explosifs » mais contrôlés.

En résumé, l'équipe a appris à un robot à lancer une balle de ping-pong si parfaitement que même les meilleurs joueurs du monde ne pouvaient pas la renvoyer, en utilisant un mélange de planification semblable à une danse, de simulation par boule de cristal et d'un entraîneur numérique très intelligent.

Résumé technique : « Ace ! Planification de trajectoires de services de tennis de table de niveau professionnel avec un bras robotisé »

Énoncé du problème

Alors que la recherche en robotique a largement abordé l'aspect « échange » du tennis de table (renvoyer les balles entrantes), le « service » demeure un défi nettement moins exploré. Contrairement à un renvoi, où le robot tire parti de l'élan de la balle entrante, un service compétitif nécessite de générer une vitesse et/ou un effet élevés à partir d'une balle sans élan et en chute libre. Cette tâche présente des difficultés extrêmes :

Modélisation physique : Le robot doit générer un mouvement explosif mais contrôlé pour imprégner une rotation significative (jusqu'à 550 rad/s) et une vitesse élevée (jusqu'à 6,7 m/s) tout en respectant les règles de la Fédération Internationale de Tennis de Table (ITTF).
Contraintes : La balle doit rebondir d'abord du côté du robot, puis du côté de l'adversaire, ce qui limite l'énergie qui peut être appliquée. La raquette doit intercepter la trajectoire de la balle de manière approximativement perpendiculaire, ce qui exige une précision plus élevée que pour un renvoi.
Limitations matérielles : Les actionneurs mécaniques manquent souvent de la puissance légère et de la dextérité nécessaires pour reproduire les mouvements du poignet et du bras humains, faisant de la planification de mouvement pour les services un problème d'optimisation complexe impliquant la dynamique d'impact et le contrôle du corps.

Méthodologie

Les auteurs présentent un système complet combinant des primitives de mouvement, le contrôle prédictif de modèle (MPC) et l'optimisation bayésienne pour générer des plans de mouvement de service conformes aux règles de l'ITTF et de niveau élite. Le système utilise un robot à 8 degrés de liberté (un portique avec 2 axes prismatiques et un bras de 6 degrés de liberté de révolution) équipé d'une raquette dotée d'une coupelle pour le lancer à une main.

1. Lancement de la balle (Primitives de mouvement)

Le système emploie une stratégie de lancer à une main, valide selon les règles de l'ITTF.

Collecte de données : Des démonstrations humaines de lancers à une main sont collectées et réadaptées à la cinématique du robot via optimisation.
Exécution : Le robot exécute une trajectoire de commandes articulaires ( $u_t(t)$ ) partant d'un état « plat ».
Gestion de la stochasticité : En raison des vibrations du robot et des facteurs environnementaux, le point de relâche de la balle varie. Le système identifie empiriquement le temps de relâche ( $t_{lift}$ ) à l'aide d'un système de triangulation de la balle et moyenne les trajectoires à l'aide d'un filtre de Savitzky-Golay pour tenir compte du bruit.

2. Planificateur de mouvement paramétré (MPC)

Le mouvement de frappe ( $u_s(t)$ ) est généré par un planificateur non linéaire basé sur l'optimisation hybride qui résout une séquence de contrôle à jerk minimal dans les espaces de l'effecteur terminal (EE) et des articulations.

Objectif : Minimiser le jerk au carré pour assurer des trajectoires fluides et dynamiquement viables tout en respectant les contraintes.
Contraintes : Le planificateur impose des contraintes d'état initial/final des articulations ainsi que des contraintes spécifiques de l'EE au moment du contact $\tau$ (position $p_\tau$ , normale $n_\tau$ , vitesse $v_\tau$ ).
Contraintes souples : Les contraintes terminales de position, d'orientation et de vitesse sont adoucies à l'aide de tolérances physiques prédéfinies (ex: $\pm 5$ mm de position, $\pm 0,5^\circ$ d'orientation) pour s'adapter aux réalités du suivi à haute vitesse.
Solveur : Le problème est formulé comme une chaîne de 32 polynômes de jerk à constante par morceaux et résolu avec le solveur KNITRO, avec des temps de solution typiques de 10 à 20 ms.

3. Optimisation des paramètres (HEBO)

Puisque le calcul analytique de l'état optimal de la raquette ( $\xi_s$ ) est intraitable en raison de la dynamique non linéaire de la balle et des contraintes de l'ITTF, les auteurs utilisent l'Optimisation Bayésienne Hétéroscédastique et Évolutive (HEBO).

Espace de recherche : L'optimiseur recherche sur un ensemble normalisé de variables de décision, incluant le timing de frappe, la vitesse de la raquette, l'orientation (angles d'Euler) et la durée de retour au repos.
Fonction de récompense : La récompense est une composition de termes évaluant :
- Légalité ( $s_{leg}$ ) : Vérifications séquentielles de la conformité ITTF (ex: ordre de rebond correct, passage au-dessus du filet, absence d'auto-collision). Les services illégaux reçoivent des pénalités sévères.
- Performance : Récompenses pour la précision de l'atterrissage ( $r_{pos}$ ), la magnitude de la vitesse ( $r_{vel}$ ), la hauteur ( $r_{height}$ ) et les composantes d'effet spécifiques ( $r_{top/back}$ , $r_{side}$ ).
Robustesse : Pour gérer la nature stochastique du lancer, l'optimiseur évalue les candidats par rapport à plusieurs trajectoires de lancer enregistrées, agrégeant les récompenses pour favoriser les paramètres robustes aux déviations du lancer.

4. Sélection en conditions réelles

Une bibliothèque de compétition est maintenue et affinée de manière itérative. Les services sont sélectionnés pour les tournois selon un algorithme heuristique qui maximise la dissimilarité d'effet entre les services consécutifs afin d'empêcher les adversaires de s'adapter.

Résultats clés

Le système a été évalué lors de tournois contre des joueurs de tennis de table japonais de niveau élite et professionnel, arbitrés par des arbitres certifiés.

Métriques de performance : Le robot a réalisé des services avec des effets allant jusqu'à 550 rad/s et des vitesses atteignant 6,7 m/s, égalant ou dépassant les joueurs humains d'élite.
Probabilité de victoire : Le robot a maintenu une probabilité de gagner le point en servant entre 51,5 % et 58,7 % en avril 2026, ce qui est comparable aux références humaines professionnelles (environ 52–53 %).
Amélioration itérative : L'article détaille une progression d'une méthode de base (avril 2025) vers le système final basé sur HEBO (avril 2026). Les améliorations clés incluent :
- L'incorporation de multiples trajectoires de lancer pour la robustesse.
- Le passage d'un algorithme génétique à HEBO.
- L'augmentation des limites dynamiques (accélération/jerk) pour exploiter pleinement les capacités des actionneurs.
- L'élagage stratégique de la bibliothèque de services pour supprimer ceux menant à des points pour l'adversaire.
Génération spécifique à la tâche : Dans des expériences contrôlées, le système a réussi à générer des services avec des objectifs spécifiques (ex: maximiser le topspin, le backspin ou le sidespin), démontant une forte corrélation entre les poids de la fonction de récompense et les résultats physiques (ex: générer -164 rad/s de backspin lorsqu'il est spécifiquement récompensé pour cela).

Signification et revendications

L'article affirme présenter le premier système complet capable de générer des plans de mouvement de service de niveau professionnel et conformes à l'ITTF pour un bras robotisé. Sa signification réside dans :

Combler le fossé : Réussir à traiter le problème du « service », qui nécessite de pousser la modélisation physique et le contrôle à leurs extrêmes, se distinguant ainsi du problème de l'échange.
Capacité compétitive : Démontrer qu'un robot peut générer des services avec une vitesse et un effet comparables ou supérieurs à ceux des joueurs humains d'élite, contribuant à ce qu'un robot gagne des matchs en meilleur des trois sets contre des athlètes professionnels pour la première fois.
Contribution méthodologique : Proposer un cadre combinant la planification de mouvement basée sur l'optimisation et l'optimisation bayésienne (HEBO) pour naviguer dans des espaces de recherche complexes, creux et bruités en robotique.

Les auteurs reconnaissent que le fossé « sim-to-real » reste un défi, notant que tous les plans de mouvement simulés ne se transfèrent pas parfaitement au matériel, et que les travaux futurs se concentreront sur une meilleure modélisation physique et un réglage automatique sur le système matériel.