北京2026年3月23日/美通社/ -- 近日，银河通用机器人与真人选手的连续自主网球对打视频刷爆全网。
这背后是银河通用机器人发布的最新成果——全球首个面向网球对抗的人形机器人全身实时智能规控算法：LATENT。
不靠预编程，银河通用世界范围内首次攻克人形机器人在长程、高动态对抗场景中的实时决策与复杂运动难题。
视频一经发布，央视新闻第一时间进行报道点赞；
相关内容在海外社交平台爆火，马斯克看到后立即关注回复；
AI知名研究员Andrej Karpathy自发评论表示惊叹，一度"怀疑"视频是由 AI 生成。
然而，视频呈现的是一场真实"对抗"：人类与人形机器人在场地中连续多回合对拉。
但真正打动大家的，不止是"机器人能打网球"，而是：机器人不是在执行预先编程的动作，而是在像人一样——全场跑动、自主决策、精确击打。
在所有运动场景中，网球是人形机器人最难的考题：
高速来球逼迫瞬时判断，全身协同决定回球质量，满场奔跑则持续考验爆发力与控制力。
那么，当机器人真正站上球场，它能否像人类运动员一样完成判断、移动与连续回合击球？
画面中，机器人迅速移动脚步调整站位，上下半身协同挥拍击球，并将球精准回击到指定位置。面对各种来球，它能够持续调整身体姿态与击球时机，与不同水平的网球对手完成多回合连续对拉。
银河通用机器人挥拍击球
在网球这样的高动态、高对抗环境中，机器人面对的是时速超过几十公里的来球、变幻莫测的落点轨迹，以及对手不断变化的击球节奏。
更重要的是，这一能力并非依赖预编程动作实现，而是机器人通过深度强化学习自主习得——
全球首次在人形机器人上实现高动态网球对打，机器人正在实现从"机械复刻动作"向"智能决策响应"的底层跨越。
银河通用机器人智能决策响应击球的多角度瞬间
这背后，是来自银河通用与清华大学联合提出的新研究：
LATENT（Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data）。
研究团队提出了一种新的机器人运动学习方法，使人形机器人能够从不完美的人类动作数据中学习复杂的运动技能，并在真实世界中完成高动态、高敏捷的网球击球与对打任务。
这其中的关键在于：
LATENT并没有沿用传统"高质量遥操数据进行模仿学习"的路径，而是从现实世界更可获取的数据出发，重新设计了运动能力的学习方式。
从不完美的人类数据中，构建支持高动态、高敏捷全身运动能力的"运动小脑"
传统的人形机器人运动学习，往往依赖高质量遥操作数据进行模仿学习。但在网球这样的高动态运动场景中，这类数据几乎难以获取。
一方面，完整记录一场网球比赛的人体运动，需要高精度、大范围动作捕捉系统；另一方面，击球过程中手部细节的捕捉要求极高，使得数据采集成本极高且技几乎不可获得。
LATENT 提供了一种完全不同的思路：
它不依赖昂贵且几乎不可获得的运动员全场比赛跑动数据，也不依赖精确的击球手部轨迹，而是仅通过收集前后移动、正反手挥拍、横向步伐等碎片化动作，让机器人自主学习运动技能。
银河通用与清华大学联合提出的新研究LATENT 框架图
这些数据，在 LATENT 中被构建为"运动小脑"，从而解锁大范围跑动、急停调整，以及对各种来球的稳定回击能力。
换句话说，LATENT 从源头上解决了一个长期限制机器人发展的关键问题：
×
