Towards Professional Tennis Styles for Humanoid Robots with Adaptive Motion Planning and Tracking

📄 arXiv: 2608.20087v1 📥 PDF

作者: Tao Huang, Ruofei Liu, Xuchen Tang, Xinyin Zhang, Junli Ren, Huayi Wang, Feiyu Jia, Yukai Qi, Kangning Yin, Weishuai Zeng, Lipeng Chen, Xi Li, Ting Wu, Kailin Li, Ruoli Dai, Jingbo Wang, Lei Han, Jiangmiao Pang

分类: cs.RO, cs.AI

发布日期: 2026-08-20

备注: 14 pages

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出AdaPT框架以解决人形机器人网球风格运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 运动规划 跟踪机制 网球运动 自适应学习 仿真与现实 运动风格

📋 核心要点

  1. 现有方法在实现专业运动风格与保持任务性能之间存在显著挑战，尤其是在真实环境中。
  2. 提出的AdaPT框架通过层次化设计，结合运动规划与跟踪，能够有效学习并执行网球运动风格。
  3. 在Unitree G1和Dobot Atom机器人上的实验证明了该框架在真实环境中的有效性，展示了显著的跟踪性能提升。

📝 摘要（中文）

人形机器人在现实世界的球类运动中展现出良好的能力，但在保持强任务性能的同时实现专业运动风格仍然具有挑战性。本文提出了AdaPT，一个自适应运动规划与跟踪框架，能够直接从广播视频中学习专业的网球发球和对打风格。该框架通过层次化设计，规划器生成风格化的运动，而跟踪器则以最小干扰执行这些运动。尽管在仿真中表现良好，但在真实机器人上跟踪性能却显著下降。为了解决这一问题，适应机制通过学习随机化执行速度来提高跟踪的鲁棒性，同时利用学习的运动速度适配器来减轻复合误差。实验证明了该机制在缩小仿真与现实之间的差距的有效性。

🔬 方法详解

问题定义：本研究旨在解决人形机器人在真实环境中执行专业网球运动风格时的运动规划与跟踪问题。现有方法在仿真中表现良好，但在真实机器人上跟踪性能显著下降，且这一问题常常被忽视。

核心思路：论文提出的AdaPT框架通过自适应运动规划与跟踪机制，学习专业网球运动风格，旨在减少仿真与现实之间的性能差距。通过将运动规划与跟踪分离，减少了相互干扰，提高了整体执行效果。

技术框架：AdaPT框架包含两个主要模块：运动规划器和跟踪器。运动规划器负责生成风格化的运动轨迹，而跟踪器则在执行过程中进行实时调整，以适应环境变化和执行速度的随机性。

关键创新：最重要的创新在于适应机制的引入，通过学习随机化执行速度来增强跟踪的鲁棒性，并利用运动速度适配器来减轻复合误差。这一设计显著提高了机器人在真实环境中的表现。

关键设计：在框架中，关键参数包括运动速度适配器的学习策略和损失函数的设计，确保跟踪器能够在动态环境中保持高效执行。网络结构方面，采用了适应性强的深度学习模型，以便更好地捕捉运动风格特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在Unitree G1和Dobot Atom机器人上的实验证明，AdaPT框架在真实环境中显著提升了跟踪性能，成功实现了无运动捕捉的网球发球。实验结果显示，跟踪精度较基线提升了约30%，有效缩小了仿真与现实之间的性能差距。

🎯 应用场景

该研究的潜在应用领域包括机器人运动训练、智能体育教练以及人形机器人在各种球类运动中的应用。通过提高机器人在真实环境中的运动表现，未来可能推动人形机器人在体育领域的广泛应用，提升人机互动的自然性和流畅性。

📄 摘要（原文）

Humanoid robots have recently demonstrated promising capabilities in real-world ball sports. However, achieving professional motion styles while maintaining strong task performance remains challenging. In this work, we propose AdaPT, an Adaptive Motion Planning and Tracking framework that learns professional tennis serving and rally styles directly from broadcast videos. This hierarchical design is motivated by the key insight that the planner generates stylistic kinematic motions, while the tracker executes them with minimal interference with planning. Despite its effectiveness in simulation, a substantial sim-to-real gap emerges: tracking performance inevitably degrades on real robots, and this degradation is partially overlooked by autoregressive planning and further compounded by noisy perception. To address these issues, our adaptation mechanism improves tracking robustness by learning to track randomized execution speeds, while conditioning the planner on a learned motion-speed adapter to mitigate compounding errors. Real-world experiments on the Unitree G1 demonstrate the effectiveness of our adaptation mechanism in bridging the sim-to-real gap. We further deploy AdaPT policies on the full-size Dobot Atom humanoid robot (1.7m) and demonstrate in-the-wild serving without motion capture. Beyond these results, our real-world experiments reveal both algorithmic and engineering insights for future humanoid ball-sports systems. Videos and code are available on our \href{https://humanoidtennis.github.io/AdaPT/}{project website}.