Màn trình diễn này sử dụng hệ thống LATENT (Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data) – được giới thiệu là thuật toán lập kế hoạch và điều khiển toàn thân theo thời gian thực đầu tiên trên thế giới dành cho robot hình người chơi tennis ở cấp độ thể thao. Hệ thống được phát triển bởi Galbot, hợp tác cùng các nhà nghiên cứu từ Đại học Thanh Hoa và Đại học Bắc Kinh.

Hệ thống được thử nghiệm trên robot hình người Unitree G1, cho thấy khả năng phản ứng với các cú đánh tốc độ cao, di chuyển linh hoạt trên sân và duy trì các pha bóng bền với đối thủ là con người.

Theo Galbot, đây là lần đầu tiên một robot hình người có thể duy trì các pha bóng tennis kéo dài với động học cao, phản ứng ở mức mili giây, đánh bóng chính xác và chuyển động toàn thân tự nhiên. Bước tiến này đánh dấu sự chuyển dịch từ mô phỏng chuyển động cơ học sang tương tác thể thao thông minh dựa trên khả năng ra quyết định.

Huấn luyện robot từ dữ liệu chuyển động hạn chế

Một trong những thách thức lớn khi huấn luyện robot chơi thể thao là thiếu dữ liệu chuyển động chính xác của con người. Điều này đặc biệt rõ trong tennis – nơi vận động viên phải di chuyển trên diện tích lớn, bóng có thể đạt tốc độ tới 30 m/s và thời gian tiếp xúc giữa vợt và bóng chỉ kéo dài vài mili giây.

Để giải quyết, nhóm nghiên cứu không ghi lại toàn bộ trận đấu mà tập trung thu thập các đoạn chuyển động ngắn nhưng thiết yếu như thuận tay, trái tay và di chuyển ngang.

Dữ liệu được ghi lại bằng hệ thống theo dõi chuyển động trong một sân thu nhỏ kích thước 3×5 mét – nhỏ hơn hơn 17 lần so với sân tennis tiêu chuẩn. Tổng cộng 5 người chơi đã đóng góp khoảng 5 giờ dữ liệu chuyển động.

Từ động tác cơ bản đến phối hợp thi đấu

Từ bộ dữ liệu này, hệ thống LATENT trước tiên huấn luyện robot tái tạo các động tác riêng lẻ.

Các hành động sau đó được kết hợp thành chuỗi, giúp robot thực hiện các nhiệm vụ cụ thể như tiếp cận bóng, đánh trả và quay về vị trí định sẵn trên sân.

Để nâng cao hiệu quả ngoài thực tế, mô hình được huấn luyện trong môi trường mô phỏng với các tham số vật lý – như khối lượng robot, khối lượng bóng, ma sát và khí động học – được thay đổi ngẫu nhiên.

Cách tiếp cận này giúp thu hẹp khoảng cách giữa môi trường mô phỏng và điều kiện thực tế.

Nhóm nghiên cứu cho biết, dù chưa hoàn hảo, các dữ liệu gần thực tế vẫn cung cấp nền tảng quan trọng về các kỹ năng cơ bản của con người trong bối cảnh tennis. Sau quá trình hiệu chỉnh và kết hợp, hệ thống có thể giúp robot đánh trả bóng ổn định trong nhiều điều kiện khác nhau, đồng thời duy trì phong cách chuyển động tự nhiên.

Kiểm chứng trong môi trường thực

Trong các thử nghiệm mô phỏng, hệ thống đạt tỷ lệ thành công lên tới 96% với các cú đánh thuận tay.

Khi triển khai trên robot Unitree G1 ngoài đời thực, hệ thống cho thấy khả năng duy trì các pha bóng qua lại với người chơi và liên tục đưa bóng trở lại phần sân đối phương.

Các nhà nghiên cứu nhận định phương pháp này có thể mở rộng sang nhiều lĩnh vực khác – nơi việc thu thập dữ liệu chuyển động đầy đủ của con người là khó khăn – như bóng đá, cầu lông hoặc các kỹ năng robot trong thể thao.

Ý nghĩa công nghệ: Từ bắt chước chuyển động đến “trí tuệ vận động”

Sự xuất hiện của LATENT không chỉ là một bước tiến trong riêng bài toán robot chơi tennis, mà còn phản ánh một chuyển dịch quan trọng trong lĩnh vực robot hình người.

Trước đây, phần lớn các hệ thống robot thể thao chủ yếu dựa vào việc “bắt chước” (imitation learning) – tức học lại chuyển động của con người từ dữ liệu ghi lại. Tuy nhiên, cách tiếp cận này gặp giới hạn lớn khi dữ liệu không đầy đủ hoặc môi trường thay đổi nhanh, như trong các môn thể thao có tính động cao.

LATENT giải quyết bài toán này bằng cách kết hợp hai yếu tố: học từ dữ liệu chuyển động không hoàn hảo và khả năng lập kế hoạch – ra quyết định theo thời gian thực. Điều này giúp robot không chỉ tái hiện động tác, mà còn hiểu “khi nào” và “như thế nào” để thực hiện chúng trong bối cảnh cụ thể.

Nói cách khác, robot bắt đầu chuyển từ “học động tác” sang “học kỹ năng”.

Thu hẹp khoảng cách giữa mô phỏng và thế giới thực

Một điểm đáng chú ý khác là cách tiếp cận huấn luyện trong môi trường mô phỏng có biến thiên ngẫu nhiên (domain randomization). Bằng việc liên tục thay đổi các yếu tố vật lý như ma sát, khối lượng hay khí động học, hệ thống buộc phải học cách thích nghi thay vì phụ thuộc vào một kịch bản cố định.

Đây là yếu tố then chốt giúp mô hình có thể triển khai thành công trên robot Unitree G1 ngoài đời thực – vốn là thách thức lớn trong robot học (sim-to-real gap).

Cách làm này đang trở thành xu hướng trong nghiên cứu robot hiện đại, đặc biệt khi dữ liệu thực tế vừa đắt đỏ vừa khó thu thập ở quy mô lớn.

Mở rộng sang các bài toán robot phức tạp hơn

Ý nghĩa lớn hơn của LATENT nằm ở khả năng tổng quát hóa. Tennis chỉ là một môi trường thử nghiệm điển hình cho các bài toán có đặc điểm chung: tốc độ cao, yêu cầu phản xạ nhanh và phối hợp toàn thân.

Các nhà nghiên cứu từ Đại học Thanh Hoa và Đại học Bắc Kinh cho rằng cùng một khung phương pháp có thể áp dụng cho nhiều lĩnh vực khác như bóng đá, cầu lông, thậm chí là các tác vụ ngoài thể thao như cứu hộ, hậu cần hoặc tương tác người–máy trong môi trường phức tạp.

Về dài hạn, hướng tiếp cận này có thể đóng vai trò nền tảng cho thế hệ robot hình người có khả năng hoạt động linh hoạt trong thế giới thực – nơi dữ liệu luôn thiếu, môi trường luôn thay đổi và các quyết định phải được đưa ra gần như tức thời.

“Dù nghiên cứu này tập trung vào nhiệm vụ đánh trả trong tennis, khung phương pháp đề xuất có tiềm năng tổng quát hóa sang nhiều bài toán khác khi thiếu dữ liệu chuyển động chất lượng cao,” nhóm nghiên cứu kết luận.

Trịnh Thái Bằng

Nguồn: Interesting Engineering