⚡ electrical engineering

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

Questo articolo presenta un nuovo framework che combina primitive di movimento, Model Predictive Control e Ottimizzazione Bayesiana per consentire a un braccio robotico di generare servizi di tennis da tavolo di livello professionale, conformi alle regole, con capacità di rotazione e velocità che eguagliano o superano quelle dei giocatori umani d'élite.

Autori originali: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Pubblicato 2026-07-09

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate un braccio robotico che cerca di imparare a giocare al gioco di ping-pong più veloce e ricco di spin del mondo. Per anni, gli scienziati hanno insegnato ai robot come restituire una pallina che vola verso di loro (come un portiere che para un rigore). Ma insegnare a un robot di servire — ovvero lanciare la pallina verso l'alto e colpirla con una velocità e uno spin così perfetti da renderli impossibili da restituire — è stato come cercare di insegnare a un bambino che sta imparando a camminare di lanciare una curva perfetta bendato.

Questo articolo presenta "Ace!", un nuovo sistema che finalmente permette a un robot di servire come un professionista di classe mondiale. Ecco come ci sono riusciti, suddiviso in concetti semplici:

1. Il Problema: Il "Servizio Perfetto" è Difficile

Nel tennis da tavolo, il servizio è l'unica mossa su cui un giocatore ha il controllo totale. Per fare un grande servizio, devi:

Lanciare la pallina verso l'alto (cosa complicata perché la pallina oscilla).
Colpirla con una racchetta che si muove ad alta velocità.
Applicare una quantità massiccia di "spin" (facendo curvare la pallina in aria).
Assicurarsi che rimbalzi una volta dal tuo lato, poi una volta dal lato dell'avversario, senza colpire la rete.

I robot di solito faticano in questo perché sono rigidi e precisi, mentre un servizio umano è un movimento fluido, esplosivo e leggermente disordinato. Il robot deve essere abbastanza preciso da colpire la pallina, ma abbastanza flessibile da creare la fisica caotica di una pallina che ruota.

2. La Soluzione: Una Ricetta in Tre Parti

Il team ha costruito un sistema che combina tre diversi "strumenti" per risolvere questo enigma:

Il Motion Planner (Il Coreografo):
Immaginatelo come un istruttore di danza. Calcola l'esatto percorso che il braccio del robot deve compiere. Non dice solo "muovi il braccio qui"; scompone il movimento in piccoli passi fluidi (come un film composto da 32 fotogrammi al secondo) per garantire che il braccio si muova in modo fluido senza scatti o rotture. Pianifica il percorso dalla posizione di partenza fino al momento esatto dell'impatto con la pallina, e poi come fermarsi in sicurezza.
Il Simulatore di Fisica (La Palla di Cristallo):
Prima che il robot colpisca effettivamente una pallina, questo sistema esegue migliaia di scenari "cosa succederebbe se" in un computer. Chiede: "Se colpisco la pallina con questa forza e con questo spin, dove atterrerà?". Controlla se la pallina colpisce la rete, se esce dai bordi o se il braccio del robot si schianta contro il tavolo.
L'AI Optimizer (L'Allenatore):
Questo è il cervello dell'operazione. Hanno usato un algoritmo intelligente chiamato HEBO (che è come un allenatore basato sul trial-and-error estremamente intelligente).
- L'allenatore prova un servizio.
- Il simulatore controlla se è stato buono.
- Se il servizio è stato cattivo (ha colpito la rete), l'allenatore impara il perché e apporta piccole modifiche al piano.
- Se il servizio è stato buono (alta velocità, molto spin, rimbalzo perfetto), l'allenatore ricorda quel piano.
- Con il tempo, l'allenatore trova la "combinazione perfetta" di velocità, angolo e spin che un essere umano non potrebbe calcolare facilmente.

3. Il "Segreto": Gestire l'Oscillazione

Una delle sfide più grandi è il lancio. Quando un essere umano lancia una pallina, questa oscilla leggermente. Se un robot prova a colpire una pallina basandosi su un lancio teorico "perfetto", mancherà il bersaglio perché la pallina reale sarà leggermente fuori asse.

Il team ha risolto questo problema insegnando al robot a essere robusto. Invece di pianificare per un unico lancio perfetto, l'IA ha testato migliaia di lanci leggermente oscillanti e diversi. Ha mantenuto solo i piani di servizio che funzionavano anche quando la pallina oscillava. È come imparare ad andare in bicicletta non solo su una strada liscia, ma anche su una strada sconnessa, in modo da non cadere quando la strada diventa accidentata.

4. I Risultati: Battere i Professionisti

Il team ha testato il loro robot contro giocatori umani d'élite e professionisti (inclusi medagliati olimpici) in veri tornei con arbitri ufficiali.

Velocità e Spin: Il robot poteva far ruotare la pallina fino a 550 radianti al secondo e colpirla a 6,7 metri al secondo. Questi numeri eguagliano o superano i migliori giocatori umani.
Vincere: Il robot non si è limitato a servire; ha vinto punti. Infatti, man mano che miglioravano il sistema, la probabilità che il robot vincesse un punto durante il servizio saliva a quasi il 59%, un valore comparabile ai migliori professionisti umani.
L'Ace: Il robot è riuscito a realizzare "Ace" (servizi che l'avversario non riesce a restituire) con una frequenza fino al 21% in alcune partite.

5. Perché Questo è Importante (Secondo l'Articolo)

L'articolo afferma che questa è la prima volta che un robot ha generato con successo servizi di livello professionale, conformi alle regole ufficiali.

Dimostra che i robot possono gestire la fisica estrema degli sport ad alta velocità.
Mostra che combinando la matematica intelligente (ottimizzazione) con l'apprendimento per tentativi ed errori (ottimizzazione bayesiana), i robot possono fare cose che prima erano considerate troppo difficili perché richiedono movimenti "esplosivi" ma controllati.

In breve, il team ha insegnato a un robot di lanciare una pallina da ping-pong così perfettamente che persino i migliori giocatori del mondo non riescono a restituirla, usando un mix di pianificazione simile alla danza, simulazione con la palla di cristallo e un allenatore digitale molto intelligente.

Riepilogo Tecnico: "Ace! Pianificazione del Movimento di Servizi di Ping Pong di Livello Professionistico con un Braccio Robotico"

Definizione del Problema

Mentre la ricerca robotica ha affrontato estensivamente l'aspetto del "rally" (il rispondere alle palle in arrivo), il "servizio" rimane una sfida significativamente meno esplorata. A differenza di un ritorno, dove un robot sfrutta il momento della pallina in arrivo, un servizio competitivo richiede la generazione di alta velocità e/o alto spin da una pallina in caduta libera e priva di rotazione. Questo compito presenta difficoltà estreme:

Modellazione Fisica: Il robot deve generare un movimento esplosivo ma controllato per imprimere uno spin significativo (fino a 550 rad/s) e velocità (fino a 6,7 m/s) rispettando al contempo le regole della International Table Tennis Federation (ITTF).
Vincoli: La pallina deve rimbalzare prima sul lato del robot e poi sul lato dell'avversario, limitando l'energia che può essere applicata. La racchetta deve intercettare la traiettoria della pallina approssimativamente in modo perpendicolare, richiedendo una precisione superiore rispetto a un ritorno.
Limitazioni dell'Hardware: Gli attuatori meccanici spesso mancano della potenza leggera e della destrezza necessarie per replicare i movimenti del polso e del braccio umano, rendendo la pianificazione del movimento per i servizi un complesso problema di ottimizzazione che coinvolge la dinamica dell'impatto e il controllo del corpo.

Metodologia

Gli autori presentano un sistema completo che combina primitive di movimento, Model Predictive Control (MPC) e Ottimizzazione Bayesiana per generare piani di movimento di servizio conformi alle norme ITTF e di livello d'élite. Il sistema utilizza un robot a 8 DoF (un portale con 2 assi prismatici e un braccio a 6 DoF) dotato di una racchetta con una coppa per la pallina per il lancio con una mano sola.

1. Lancio della Pallina (Primitive di Movimento)

Il sistema impiega una strategia di lancio con una mano sola, valida secondo le regole ITTF.

Raccolta Dati: Vengono raccolte dimostrazioni umane di lanci con una mano, che vengono poi ri-targettizzate sulla cinematica del robot tramite ottimizzazione.
Esecuzione: Il robot esegue una traiettoria di comandi giunturali ( $u_t(t)$ ) partendo da uno stato "piatto".
Gestione della Stocasticità: A causa delle vibrazioni del robot e dei fattori ambientali, il punto di rilascio della pallina varia. Il sistema identifica empiricamente il tempo di rilascio ( $t_{lift}$ ) utilizzando un sistema di triangolazione della pallina e media le traiettorie utilizzando un filtro Savitzky-Golay per compensare il rumore.

2. Pianificatore di Movimento Parametrizzato (MPC)

Il movimento di colpo ( $u_s(t)$ ) è generato da un pianificatore non lineare basato su ottimizzazione ibrida che risolve una sequenza di controllo a jerk minimo sia nello spazio dell'End-Effector (EE) che in quello dei giunti.

Obiettivo: Minimizzare il jerk al quadrato per garantire traiettorie fluide e dinamicamente sostenibili, soddisfacendo al contempo i vincoli.
Vincoli: Il pianificatore impone vincoli di stato iniziale/finale dei giunti e specifici vincoli dell'EE al tempo di contatto $\tau$ (posizione $p_\tau$ , normale $n_\tau$ , velocità $v_\tau$ ).
Vincoli Soft: I vincoli terminali per posizione, orientamento e velocità sono ammorbiditi utilizzando tolleranze fisiche predefinite (ad es., $\pm 5$ mm di posizione, $\pm 0,5^\circ$ di orientamento) per far fronte alle realtà del tracciamento ad alta velocità.
Solver: Il problema è formulato come una catena di 32 polinomi di jerk a tratti costanti ed è risolto con il solver KNITRO, con tempi di soluzione tipici di 10–20 ms.

3. Ottimizzazione dei Parametri (HEBO)

Poiché il calcolo analitico dello stato ottimale della racchetta ( $\xi_s$ ) è intrattabile a causa della dinamica non lineare della pallina e dei vincoli ITTF, gli autori utilizzano l'Ottimizzazione Bayesiana Eteroscedastica ed Evolutiva (HEBO).

Spazio di Ricerca: L'ottimizzatore cerca su un insieme normalizzato di variabili decisionali, inclusi il tempo di colpo, la velocità della racchetta, l'orientamento (angoli di Euler) e la durata del ritorno a riposo.
Funzione di Ricompensa: La ricompensa è un termine composito che valuta:
- Legalità ( $s_{leg}$ ): Controlli sequenziali della conformità ITTF (ad es., ordine corretto del rimbalzo, superamento della rete, assenza di auto-collisioni). I servizi illegali ricevono penalità dure.
- Performance: Ricompense per l'accuratezza dell'atterraggio ( $r_{pos}$ ), la magnitudo della velocità ( $r_{vel}$ ), l'altezza ( $r_{height}$ ) e componenti di spin specifiche ( $r_{top/back}$ , $r_{side}$ ).
Robustezza: Per gestire la natura stocastica del lancio, l'ottimizzatore valuta i candidati contro molteplici traiettorie di lancio registrate, aggregando le ricompense per favorire la ricerca verso parametri robusti alle deviazioni del lancio.

4. Selezione nel Mondo Reale

Viene mantenuta una libreria di competizioni che viene iterativamente raffinata. I servizi vengono selezionati per i tornei in base a un algoritmo euristico che massimizza la dissimilarità dello spin tra servizi consecutivi per evitare che gli avversari si adattino.

Risultati Chiave

Il sistema è stato valutato in tornei contro giocatori di ping pong giapponesi d'élite e professionisti, presieduti da arbitri certificati.

Metriche di Performance: Il robot ha ottenuto servizi con spin fino a 550 rad/s e velocità fino a 6,7 m/s, eguagliando o superando i giocatori umani d'élite.
Probabilità di Vittoria: Il robot ha mantenuto una probabilità di vincere il punto servendo tra il 51,5% e il 58,7% nell'aprile 2026, paragonabile ai benchmark umani professionistici (circa 52–53%).
Miglioramento Iterativo: Il documento dettaglia la progressione da un metodo di base (aprile 2025) al sistema finale basato su HEBO (aprile 2026). I miglioramenti chiave hanno incluso:
- L'incorporazione di molteplici traiettorie di lancio per la robustezza.
- Il passaggio da un Algoritmo Genetico a HEBO.
- L'aumento dei limiti dinamici (accelerazione/jerk) per sfruttare appieno le capacità degli attuatori.
- La potatura strategica della libreria di servizi per rimuovere quelli che portavano punti agli avversari.
Generazione Specifica del Compito: In esperimenti controllati, il sistema ha generato con successo servizi con obiettivi specifici (ad es., massimizzare il topspin, il backspin o il sidespin), dimostrando una forte correlazione tra i pesi della funzione di ricompensa e i risultati fisici (ad es., generando -164 rad/s di backspin quando specificamente premiato).

Significato e Rivendicazioni

Il documento sostiene di presentare il primo sistema completo capace di generare piani di movimento di servizio di livello professionale e conformi alle norme ITTF per un braccio robotico. La sua importanza risiede nel:

Colmare il Divario: Affrontare con successo il problema del "servizio", che richiede di spingere la modellazione fisica e il controllo agli estremi, distinguendosi dal problema del rally.
Capacità Competitiva: Dimostrare che un robot può generare servizi con velocità e spin comparabili o superiori a quelli dei giocatori umani d'élite, contribuendo a far vincere un robot match "Best-of-3" contro atleti professionisti per la prima volta.
Contributo Metodologico: Proporre un framework che combina la pianificazione del movimento basata sull'ottimizzazione con l'Ottimizzazione Bayesiana (HEBO) per navigare in spazi di ricerca complessi, sparsi e rumorosi nella robotica.

Gli autori riconoscono che il divario "sim-to-real" rimane una sfida, notando che non tutti i piani di movimento simulati si trasferiscono perfettamente all'hardware, e che il lavoro futuro si concentrerà su una migliore modellazione fisica e sul fine-tuning automatico sul sistema hardware.