Sistema LATENT usa dados humanos para treinar robô humanoide no tênis

Uma pesquisa desenvolvida pela startup Galbot em conjunto com a Universidade Tsinghua, a Universidade de Pequim e o Laboratório de IA de Xangai venceu o prêmio de Melhor Artigo sobre Entretenimento e Diversão na conferência IROS 2026, encerrada em Pittsburgh no dia 30 de setembro. O estudo apresenta o método apelidado de LATENT, voltado ao aprendizado de habilidades de tênis por robôs humanoides a partir de dados incompletos de movimentos humanos.

Treinamento com dados de movimento incompletos

O trabalho foca na execução de devoluções de bola e não no jogo de uma partida completa. Para gerar os dados de treinamento, cinco jogadores amadores gravaram fragmentos de golpes de direita (forehand), de esquerda (backhand) e trabalho de pés durante cerca de cinco horas em uma área de captação de 3 por 5 metros. As fontes do artigo classificam esses dados como imperfeitos porque a captura de movimento não se mapeia perfeitamente ao corpo de um robô — especialmente no pulso — e as gravações cobrem apenas movimentos básicos, sem tática de jogo.

Para contornar as limitações, o sistema LATENT treina um rastreador de movimento e o comprime em um espaço de ação latente contínuo, que funciona como um dicionário de movimentos corporais. A equipe reduziu a confiabilidade atribuída ao pulso direito para evitar que ruídos nessa articulação afetassem o movimento do golpe. Além disso, os pesquisadores aplicaram uma restrição chamada Latent Action Barrier, baseada na distância de Mahalanobis, para impedir que o sistema transite de forma brusca entre movimentos não relacionados.

Resultados em simulação e em testes reais

Segundo os dados divulgados no artigo científico, a política completa de forehand em ambiente de simulação atingiu uma taxa de sucesso de 96,52% nas devoluções, registrando um erro médio de aterrissagem da bola de 1,32 metro. Em comparação, outros métodos avaliados no trabalho, como AMP, ASE e PULSE, alcançaram 41,32%, 63,47% e 71,85% de sucesso, respectivamente. A remoção da barreira latente reduziu a taxa de sucesso do forehand para 93,12%, mas aumentou a pontuação de suavidade e o torque articular, o que os autores interpretaram como movimentos mais trincados.

Os testes práticos foram executados em uma unidade real do robô bípede Unitree G1. Essa avaliação dependeu de um sistema externo de captura de movimento e não das câmeras integradas do próprio robô, utilizando mais de 50 câmeras distribuídas em um espaço de 19 por 15 metros. Ao longo de 20 ralis consecutivos, o estudo registrou uma taxa de sucesso de 90,90% no forehand, 77,78% no backhand, 88,89% na quadra de ataque e 81,82% na quadra de defesa, considerando como sucesso os golpes em que a bola caiu na quadra adversária.

Limitações e próximos passos

Os autores ressaltam no artigo que os experimentos atuais se restringem a devoluções de laboratório e não equivalem a uma partida real de tênis. Uma demonstração simulada de rali com 25 golpes entre dois robôs foi realizada apenas em ambiente virtual. A dependência do sistema externo de captura de movimento foi apontada como uma limitação do projeto, e os pesquisadores indicaram a integração de visão ativa como o próximo passo do desenvolvimento.