人形机器人如何从运动数据与视频学会反应式网球？

ATHLETE 绕开的数据覆盖难题

人形机器人打网球之所以困难，部分原因在于数据覆盖。可用的策略必须应对多种接近状态、击球位置和到球时机，而论文指出，为所有这些组合采集任务专用的动作捕捉示范成本很高。LATENT 和 AdaPT 等早期网球系统已经表明，人体运动数据能提供很强的先验，但要重建同时覆盖移动、击球位置和时机的网球动作仍然困难。

ATHLETE 的做法是不再把网球视为单一动作来源。它把移动和击球当作互补的两部分：公开的 LAFAN1 序列提供可复用的全身移动，普通网球视频提供稀疏的击球动作。因此研究问题是：能否通过组合这两类来源，而不是采集完整的网球示范，来学习动态网球技能。

动作匹配生成任务条件参考动作

第一阶段是轨迹引导动作匹配（TGMM）。动作匹配利用姿态和轨迹特征从数据库中检索并混合动作；在这里，它把 LAFAN1 移动与视频提取的击球动作结合起来，同时施加接近、击球和过渡约束。输出是一组随任务条件变化、彼此不同的全身接近与击球参考动作，而不是一个平均化的挥拍动作。

这一阶段之所以重要，是因为它制造了后续策略必须学会的差异。论文报告，与源网球参考动作相比，生成的参考动作在击球高度和局部坐标系中击球点的 XY 分布上都更宽。换言之，TGMM 不只是回放视频动作，而是把它们放进能够到达不同击球情境的移动轨迹中。

师生蒸馏去掉参考动作输入

组合出的参考动作并不会直接部署。ATHLETE 采用基于物理的师生学习，配合在线 DAgger 蒸馏，然后针对网球任务做 PPO 微调。教师可以访问参考动作和击球时机，学生则学习根据机器人和球的观测行动。截止时间自适应设计把击球时机监督传递给学生，使最终控制器在部署时不再需要参考动作、在线动作匹配或显式运动规划。

得到的策略直接响应机器人状态、球的观测和任务目标。这是论文相对 AdaPT 强调的架构差异：AdaPT 在部署时仍保留显式运动规划、未来球预测和参考跟踪，而 ATHLETE 把这些功能压缩进单一反应式策略。

微调决定能否真正击中球

论文的仿真对比显示了最后 PPO 阶段贡献多大。没有 PPO 微调时，正手侧和反手侧的命中率分别为 1.26% 和 5.67%，且没有球过网；检测到的接触点平均偏离球拍甜点约 14 厘米。完整方法把命中率提高到 94.97% 和 95.04%，把回球率提高到 91.19% 和 92.20%，同时把平均甜点距离降到 5.61 厘米和 6.54 厘米。

这些是仿真数字，不应被读作真实机器人的成功率。它们的价值在于诊断：仅靠蒸馏得到的策略很少能干净触球，而微调把同一流程变成能在甜点附近击球并回球的策略。接触精度，而不只是够到球，才是这套训练方案真正发挥作用的地方。

真机命中率不等于过网率

在真实人形机器人上，手动抛球实验每侧进行 30 次，共 60 次，并改变抛球方向和位置。机器人击中 27/30 个正手球（90.00%）和 26/30 个反手球（86.67%）。这些是命中率：球拍碰到了球。过网率更低，正手为 14/30（46.67%），反手为 16/30（53.33%）。

对任何跨论文比较数字的人来说，这一区分都很重要。表中还列出 LATENT 的正手 90.90、反手 77.78，以及 AdaPT 的 52.00 和 50.67，但论文说明每种方法都按其原始评估协议和指标定义报告。LATENT 的“回球”指回球落在场内，而对 AdaPT 和 ATHLETE 指过网；动作捕捉覆盖面积也不同（AdaPT 约 20 米 × 8 米，ATHLETE 为 10.5 米 × 5.5 米，LATENT 为全场）。论文自身的结论更窄：在使用视频提取动作的方法中，ATHLETE 在各自协议下报告的命中率和过网率高于 AdaPT。

连续对打体现协同而非比赛能力

第二个真实世界实验测试了与不同网球经验的人类伙伴连续对打。观察到的最长对打为与新手 5 个回合、与职业选手 8 个回合。论文将此视为证据，说明感知、移动和击球能在持续的人机交互中协同，而不只是在孤立挥拍中协同。

实验设置限定了这一解读。外部动作捕捉系统提供球的三维位置和机器人根部位姿，球速由连续位置观测估计；覆盖面积约 10.5 米 × 5.5 米。策略在配备 RTX 5070 Ti Laptop GPU 的笔记本电脑上以 50 Hz 运行，通过 Unitree DDS 接口经有线以太网与机器人交换控制命令和状态信息，球拍用 3D 打印连接件固定在右手上。对比中的三项真机评估都使用外部动作捕捉进行状态估计。

复用数据换来什么、付出什么

论文的定性比较勾勒出取舍。ATHLETE 复用现有公开数据，避免额外采集网球动作捕捉，部署时使用动作捕捉，不需要动作参考，不需要未来球预测，采用单层策略，并在单块 RTX 4090 上训练。LATENT 使用五小时新采集的业余球员动作基元、八块训练 GPU，报告了较强的场内回球表现，但需要动作参考和未来球预测。AdaPT 使用视频提取的动作，但在部署时保留显式规划和参考跟踪。

因此实际优先级并不只是最高命中率。ATHLETE 的立足点在于实现反应式正手和反手回球以及多回合对打，同时从部署栈中去掉专用网球采集和在线规划。代价在同一张表中可见：系统仍依赖外部动作捕捉获取球的状态，作者把机载球感知和保持动作风格多样性列为未来工作。权衡这一方法的读者，应比较它消除了哪些部署组件，而不只看在不同协议下测得的头条百分比。

本文引用的文献