⚡ electrical engineering

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

Dit artikel presenteert een nieuw raamwerk dat bewegingsprimitieven, Model Predictive Control en Bayesiaanse optimalisatie combineert om een robotarm in staat te stellen professionele, aan de regels voldoende tafeltennisserves te genereren met spin- en snelheidscapaciteiten die die van elite menselijke spelers evenaren of overtreffen.

Oorspronkelijke auteurs: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een robotarm voor die probeert te leren hoe hij het wereldrecord snelste, meest spin-gevoelige spel van tafeltennis moet spelen. Jarenlang hebben wetenschappers robots geleerd hoe ze een bal moeten terugspelen die op hen afvliegt (zoals een keeper die een penalty stopt). Maar een robot leren te serveren — om de bal omhoog te werpen en er met zulke perfecte snelheid en spin tegenaan te slaan dat hij onmogelijk te retourneren is — was alsof je een peuter probeert te leren een perfecte curvebal te gooien terwijl diegene een blinddoek draagt.

Dit artikel introduceert "Ace!", een nieuw systeem dat er eindelijk in slaagt een robot te laten serveren als een wereldklasse professional. Hier is hoe ze het deden, onderverdeeld in eenvoudige concepten:

1. Het Probleem: De "Perfecte Serve" is Moeilijk

Bij tafeltennis is de serve de enige beweging waarbij een speler de totale controle heeft. Om een geweldige serve te maken, moet je:

De bal omhoog werpen (wat lastig is omdat deze wiebelt).
De bal raken met een racket dat met hoge snelheid beweegt.
Een enorme hoeveelheid "spin" aanbrengen (waardoor de bal door de lucht curveert).
Zorgen dat de bal één keer op jouw kant stuitert, en daarna één keer op de kant van de tegenstander, zonder het net te raken.

Robots worstelen hier meestal mee omdat ze stijf en precies zijn, terwijl een menselijke serve een vloeiende, explosieve en licht chaotische beweging is. De robot moet precies genoeg zijn om de bal te raken, maar flexibel genoeg om de chaotische fysica van een draaiende bal te creëren.

2. De Oplossing: Een Recept met Drie Delen

Het team bouwde een systeem dat drie verschillende "instrumenten" combineert om dit puzzelstukje op te lossen:

De Motion Planner (De Choreograaf):
Denk hierbij aan een dansinstructeur. Deze berekent exact welk pad de arm van de robot moet afleggen. Het zegt niet alleen "beweeg arm hierheen"; het breekt de beweging op in piepkleine, vloeiende stappen (zoals een film bestaande uit 32 frames per seconde) om ervoor te zorgen dat de arm soepel beweegt zonder schokken of breuken. Het plant het pad vanaf de startpositie naar het exacte moment van het raken van de bal, en vervolgens hoe de arm veilig tot stilstand komt.
De Physics Simulator (De Glazen Bol):
Voordat de robot daadwerkelijk een bal raakt, draait dit systeem duizenden "wat als"-scenario's in een computer. Het vraagt: "Als ik de bal deze hardheid en deze hoeveelheid spin geef, waar zal hij landen?" Het controleert of de bal het net raakt, of de bal buiten de lijnen gaat, of dat de arm van de robot tegen de tafel botst.
De AI Optimizer (De Coach):
Dit is het brein van de operatie. Ze gebruikten een slim algoritme genaferm HEBO (wat een soort superintelligente coach is die via vallen en opstaan leert).
- De coach probeert een serve.
- De simulator controleert of deze goed was.
- Als de serve slecht was (het net geraakt), leert de coach waarom en past hij het plan een klein beetje aan.
- Als de serve goed was (hoge snelheid, veel spin, perfecte landing), onthoudt de coach dit plan.
- Na verloop van tijd vindt de coach de "perfecte" combinatie van snelheid, hoek en spin die een mens niet gemakkelijk kan berekenen.

3. Het "Geheime Sausje": Omgaan met de Waggel

Een van de grootste uitdagingen is de opgooi. Wanneer een mens een bal opgooit, wiebelt deze soms een beetje. Als een robot probeert een bal te raken op basis van een "perfecte" theoretische opgooi, zal hij de bal missen omdat de echte bal er net naast zit.

Het team loste dit op door de robot robuust te leren zijn. In plaats van te plannen voor één perfecte opgooi, testte de AI duizenden lichtelijk verschillende, wiebelende opgooi's. Alleen de serve-plannen die werkten, zelfs wanneer de bal wiebelde, werden behouden. Dit is als leren fietsen, niet alleen op een glad wegdek, maar ook op een hobbelig wegdek, zodat je niet omvalt als de weg ruw wordt.

4. De Resultaten: De Pro's Verslaan

Het team testte hun robot tegen elite en professionele menselijke spelers (inclusclusief olympische medaillewinnaars) in echte toernooien met officiële scheidsrechters.

Snelheid en Spin: De robot kon de bal laten draaien tot 550 radialen per seconde en hem met 6,7 meter per seconde raken. Deze cijfers komen overeen met of overtreffen de beste menselijke spelers.
Winnen: De robot serveerde niet alleen; hij won punten. Sterker nog, naarmate het systeem verbeterde, steeg de kans van de robot om een punt te winnen bij een eigen serve naar bijna 59%, wat vergelijkbaar is met de beste menselijke professionals.
De "Ace": De robot slaagde erin om "Aces" (serves die de tegenstander niet kan terugspelen) te slaan met een frequentie van tot wel 21% in sommige wedstrijden.

5. Waarom dit ertoe doet (volgens het artikel)

Het artikel stelt dat dit de eerste keer is dat een robot succesvol officiële, regelconforme, professionele serves heeft gegenereerd.

Het bewijst dat robots de extreme fysica van topsport kunnen aan.
Het laat zien dat door slimme wiskunde (optimalisatie) te combineren met leren door vallen en opstaan (Bayesiaanse optimalisatie), robots dingen kunnen doen die voorheen als te moeilijk werden beschouwd omdat ze "explosieve" maar gecontroleerde bewegingen vereisen.

Kortom, het team heeft een robot geleerd om een pingpongbal zo perfect op te gooien dat zelfs de beste menselijke spelers hem niet meer terug konden slaan, met behulp van een mix van dansachtige planning, een simulatie met een glazen bol en een zeer slimme digitale coach.

Technische Samenvatting: "Ace! Motion Planning van Professioneel Niveau Tafeltennis-services met een Robotarm"

Probleemstelling

Terwijl robotica-onderzoek uitgebreid de "rally"-aspecten van tafeltennis (het terugspelen van inkomende ballen) heeft behandeld, blijft de "service" een aanzienlijk onderbelicht vraagstuk. In tegenstelling tot een return, waarbij een robot gebruikmaakt van het momentum van de inkomende bal, vereist een competitieve service het genereren van hoge snelheid en/of hoge spin vanuit een spinloze, vrij vallende bal. Deze taak brengt extreme moeilijkheden met zich mee:

Fysische Modellering: De robot moet explosieve maar gecontroleerde bewegingen genereren om aanzienlijke spin (tot 550 rad/s) en snelheid (tot 6,7 m/s) te verlenen, terwijl voldaan wordt aan de regels van de International Table Tennis Federation (ITTF).
Restricties: De bal moet eerst op de zijde van de robot stuiteren en vervolgens op de zijde van de tegenstander, wat de hoeveelheid energie die kan worden toegepast beperkt. De racket moet het traject van de bal nagenoeg loodrecht onderscheppen, wat een hogere precisie vereist dan het terugspelen van een bal.
Hardwarebeperkingen: Mechanische actuatoren missen vaak de lichte kracht en behendigheid om menselijke pols- en armbewegingen te repliceren, waardoor motion planning voor services een complex optimalisatieprobleem wordt dat impactdynamica en lichaamscontrole omvat.

Methodologie

De auteurs presenteren een integraal systeem dat motion primitives, Model Predictive Control (MPC) en Bayesian Optimization combineert om ITTF-conforme, elite-niveau service-bewegingsplannen te genereren. Het systeem maakt gebruik van een 8-DoF robot (een gantry met 2 prismatische assen en een 6-DoF revolute arm) uitgerust met een racket voorzien van een balbeker voor een eenhandige worp.

1. Balworp (Motion Primitives)

Het systeem hanteert een eenhandige werpstrategie die geldig is onder de ITTF-regels.

Dataverzameling: Menselijke demonstraties van eenhandige worpen worden verzameld en via optimalisatie naar de kinematica van de robot getransponeerd.
Uitvoering: De robot voert een traject van joint-commando's ( $u_t(t)$ ) uit, beginnend vanuit een "vlakke" staat.
Omgaan met Stochastiek: Vanwege trillingen van de robot en omgevingsfactoren varieert het moment van balvrijgave. Het systeem identificeert empirisch het vrijgavepunt ( $t_{lift}$ ) met behulp van een bal-triangulatiesysteem en middelt trajecten met een Savitzky-Golay filter om ruis te compenseren.

2. Geparametriseerde Motion Planner (MPC)

De slagbeweging ( $u_s(t)$ ) wordt gegenereerd door een niet-lineaire, op hybride optimalisatie gebaseerde planner die zoekt naar een minimum-jerk controle-sequentie in zowel End-Effector (EE) als joint-ruimtes.

Doel: Het minimaliseren van gekwadrateerde jerk om vloeiende, dynamisch levensvatbare trajecten te garanderen, terwijl aan restricties wordt voldaan.
Restricties: De planner handhaaft initiële/finale joint-state restricties en specifieke EE-restricties op het contactmoment $\tau$ (positie $p_\tau$ , normaal $n_\tau$ , snelheid $v_\tau$ ).
Zachte Restricties: Terminale restricties voor positie, oriëntatie en snelheid worden verweerd met vooraf gedefinieerde fysieke toleranties (bijv. $\pm 5$ mm positie, $\pm 0,5^\circ$ oriëntatie) om de realiteit van hoge-snelheid tracking te accommoderen.
Solver: Het probleem wordt geformuleerd als een keten van 32 stuksgewijs constante jerk-polynomen en wordt opgelost met de KNITRO solver, met typische oplostijden van 10–20 ms.

3. Parameteroptimalisatie (HEBO)

Omdat de analytische berekening van de optimale racketstaat ( $\xi_s$ ) onuitvoerbaar is vanwege niet-lineaire baldynamica en ITTF-restricties, gebruiken de auteurs Heteroscedastic and Evolutionary Bayesian Optimization (HEBO).

Zoekruimte: De optimizer zoekt over een genormaliseerde set beslissingsvariabelen, waaronder hit-timing, racket-snelheid, oriëntatie (Euler-hoeken) en de duur van de terugkeer naar rust.
Beloningsfunctie: De beloning is een composiet van termen die de volgende zaken evalueren:
- Legaliteit ( $s_{leg}$ ): Sequentiële controles voor ITTF-compliance (bijv. juiste volgorde van stuiteren, net-vrijheid, geen zelf-botsing). Illegale services ontvangen harde straffen.
- Prestatie: Beloningen voor landingsnauwkeurigheid ( $r_{pos}$ ), snelheidsmagnitude ( $r_{vel}$ ), hoogte ( $r_{height}$ ) en specifieke spincomponenten ( $r_{top/back}$ , $r_{side}$ ).
Robuustheid: Om de stochastische aard van de worp op te vangen, evalueert de optimizer kandidaten tegen meerdere opgenomen worptrajecten, waarbij de beloningen worden geaggregeerd om de zoektocht te sturen naar parameters die robuust zijn tegen afwijkingen in de worp.

4. Real-World Selectie

Er wordt een competitie-bibliotheek bijgehouden en iteratief verfijnd. Services worden geselecteerd voor toernooien op basis van een heuristisch algoritme dat de dissimilariteit in spin tussen opeenvolgende services maximaliseert om te voorkomen dat tegenstanders zich kunnen aanpassen.

Belangrijkste Resultaten

Het systeem werd geëvalueerd in toernooien tegen elite en professionele Japanse tafeltennispelers, begeleid door gelicenseerde scheidsrechters.

Prestatie-metrieken: De robot behaalde services met spins tot 550 rad/s en snelheden tot 6,7 m/s, waarmee hij elite menselijke spelers evenaart of overtreft.
Winstkans: De robot behield een kans op het winnen van een punt tijdens het serveren tussen 51,5% en 58,7% in april 2026, vergelijkbaar met professionele menselijke benchmarks (ongeveer 52–53%).
Iteratieve Verbetering: Het artikel beschrijft een progressie van een baseline methode (april 2025) naar het uiteindelijke HEBO-gebaseerde systeem (april 2026). Belangrijke verbeteringen waren:
- Het integreren van meerdere worptrajecten voor robuustheid.
- De overstap van een Genetic Algorithm naar HEBO.
- Het verhogen van de dynamische limieten (acceleratie/jerk) om het volledige vermogen van de actuatoren te benutten.
- Strategische inkrimping van de service-bibliotheek om services te verwijderen die leidden tot punten voor de tegenstander.
Taakspecifieke Generatie: In gecontroleerde experimenten genereerde het systeem succesvol services met specifieke doelstellingen (bijv. het maximaliseren van topspin, backspin of sidespin), wat een sterke correlatie toont tussen de gewichten van de beloningsfunctie en de fysieke uitkomsten (bijv. het genereren van -164 rad/s backspin wanneer daar specifiek voor werd beloond).

Betekenis en Claims

Het artikel claimt het eerste uitgebreide systeem te presenteren dat in staat is om professioneel niveau, ITTF-conforme service-bewegingsplannen voor een robotarm te genereren. De betekenis ligt in:

Het overbruggen van de kloof: Het succesvol adresseren van het "service"-probleem, wat vereist dat natuurkundige modellering en controle tot extremen worden gedreven, wat verschilt van het rally-probleem.
Competitieve Capaciteit: Het demonstreren dat een robot services kan genereren met een snelheid en spin die vergelijkbaar zijn met of de elite menselijke spelers overtreffen, wat bijdraagt aan het feit dat een robot voor het eerst een eerlijke Best-of-3 wedstrijd tegen professionele atleten kan winnen.
Methodologische Bijdrage: Het voorstellen van een framework dat optimalisatie-gebaseerde motion planning combineert met Bayesian Optimization (HEBO) om complexe, ijle en ruizige zoekruimtes te navigeren.

De auteurs erkennen dat de "sim-to-real" kloof een uitdaging blijft, waarbij zij opmerken dat niet alle gesimuleerde bewegingsplannen perfect overgaan naar de hardware, en dat toekomstig werk zich zal richten op verbeterde fysieke modellering en automatische fijnafstemming op het hardwaresysteem.