İnsan atletler, yüksek hızlı tenis toplarıyla rekabetçi rallilerde başarılı olmak için çok yönlü ve oldukça dinamik tenis becerileri sergilerler. Ancak, bu tür davranışları insanoid robotlarda yeniden üretmek, tenis senaryolarında mükemmel insanoid aksiyon verilerinin veya insan kinematik hareket verilerinin eksikliği nedeniyle zordur. Bu zorluğun üstesinden gelmek amacıyla, araştırmacılar LATENT (Learns Athletic humanoid TEnnis skills from imperfect human motioN daTa) adında bir sistem geliştirdi.
LATENT, gerçek dünya tenis maçlarından alınan hassas ve eksiksiz insan-tenis hareket dizileri yerine, sadece tenis oynarken kullanılan temel becerileri yakalayan hareket parçacıklarından oluşan "kusurlu insan hareket verileri" kullanır. Bu yaklaşım, veri toplama zorluğunu önemli ölçüde azaltır. Araştırmacıların temel içgörüsü, bu kusurlu verilere rağmen, yarı gerçekçi verilerin tenis senaryolarındaki insan temel becerileri hakkında ön bilgiler sağlamasıdır. Bu veriler, daha fazla düzeltme ve birleştirme ile, çok çeşitli koşullar altında gelen toplara tutarlı bir şekilde vurabilen ve doğal hareket stillerini koruyarak onları hedef konumlara geri gönderebilen bir insanoid politika öğrenmek için kullanılır.
Sistem ayrıca, simülasyondan gerçek dünyaya sağlam bir aktarım için bir dizi tasarım öneriyor ve geliştirilen politika Unitree G1 insanoid robot üzerinde başarıyla uygulandı. LATENT yöntemi, gerçek dünyada şaşırtıcı sonuçlar elde ederek, insan oyuncularla çoklu vuruş rallilerini istikrarlı bir şekilde sürdürebilme yeteneğini gösterdi. Bu çalışma, robotların karmaşık atletik becerileri öğrenmesinde önemli bir adım teşkil ediyor.
Bu çalışma, kusurlu insan hareket verilerinden faydalanarak insanoid robotların karmaşık atletik becerileri, özellikle tenis oynamayı, gerçek dünya koşullarında başarılı bir şekilde öğrenmesini sağlıyor.