Crédit : LATENT
Les roboticiens peinent à concevoir des robots humanoïdes capables de reproduire efficacement les gestes techniques des athlètes, comme ceux requis au tennis. Ces sports exigent des mouvements très dynamiques, des réflexes rapides et une grande précision, des qualités que les robots ne possèdent généralement pas. Les recherches antérieures ont tenté d’exploiter les données cinématiques et l’extraction de données de mouvement humain à partir de vidéos, mais ces approches se sont révélées complexes et souvent irréalisables. Certains robots ont été entraînés à pratiquer des sports comme le tennis de table ou le football, mais leur agilité et leur réalisme restent limités.
Des chercheurs chinois ont mis au point un système permettant à des robots humanoïdes d’apprendre à jouer au tennis bien mieux que les modèles précédents. Leur approche, décrite dans un article en prépublication sur arXiv , utilise des données de mouvement humain imparfaites et fragmentaires, ce qui simplifie l’apprentissage.
Crédit : LATENT
Le système LATENT
L’équipe de recherche, en collaboration avec la société chinoise de robotique et d’intelligence artificielle Galbot, a baptisé son projet « Apprentissage des compétences athlétiques humanoïdes de tennis à partir de données de mouvement humain imparfaites » ou système LATENT (Learns Athletic humanoid TEnnis skills from imperfect human motioN daTa). Ce système simplifie l’apprentissage en collectant des données de mouvement humain imparfaites, composées de fragments de mouvement qui ne capturent que les gestes les plus élémentaires associés au tennis, comme le coup droit, le revers, le déplacement latéral et le pas croisé.
Les auteurs de l’étude expliquent : « Notre principale observation est que, malgré leurs imperfections, ces données quasi réalistes fournissent des indications sur les aptitudes humaines primitives dans des situations de tennis. Grâce à des corrections et un travail d’enrichissement supplémentaires, nous obtenons une stratégie humanoïde capable de frapper les balles de manière constante dans des conditions très variées et de les renvoyer aux points cibles, tout en préservant des mouvements naturels. »
Pour ce faire, les chercheurs ont d’abord collecté cinq heures de séquences vidéo de joueurs amateurs réalisant des gestes techniques élémentaires au tennis, grâce à un système de capture de mouvement compact. Ils ont ensuite construit un espace d’actions latentes – une représentation des actions possibles du robot – à partir de ces données, permettant ainsi des corrections ultérieures des tâches de tennis. Après avoir utilisé l’apprentissage par renforcement et réalisé de nombreuses simulations, ils ont déployé le système sur un robot humanoïde Unitree G1.
Jeu en solo (simulation). Crédit : LATENT
Des robots mettent leurs compétences à l’épreuve sur de vrais courts de tennis
Pour tester les performances de LATENT en situation réelle, l’équipe a mené des essais où les robots humanoïdes affrontaient des joueurs humains. Ils ont évalué la performance des coups droits et des revers, aussi bien sur l’avant que sur le fond du court. Les résultats ont ensuite été moyennés sur un total de 10 000 essais et comparés aux méthodes précédentes.
Bien que le robot ne puisse rivaliser avec les joueurs de tennis professionnels, ses mouvements étaient impressionnants. Il a pu réaliser des échanges de plusieurs coups avec des joueurs humains, en utilisant aussi bien le coup droit que le revers, et s’adapter à différentes zones du court. Lors de tests en simulation et en conditions réelles, LATENT a surpassé les méthodes précédentes en termes de taux de réussite, de précision et de naturel des mouvements. Dans sa meilleure performance, le robot a atteint un taux de réussite de 96,5 %, défini comme le pourcentage d’essais où la balle de tennis a été renvoyée avec succès à moins de 2,5 mètres de la cible.
Présentation de LATENT. (a) Nous pré-entraînons un modèle de suivi de mouvement sur des données de mouvements humains imparfaites collectées. (b) Nous construisons un espace d’actions latentes corrigible par distillation en ligne. (c) Nous entraînons une politique de haut niveau pour corriger et composer les actions latentes pour une tâche de tennis. (d) Nous transférons la politique au monde réel par randomisation de la dynamique et ajout de bruit d’observation. Crédit : arXiv (2026). DOI : 10.48550/arxiv.2603.12686
L’équipe précise qu’elle prévoit d’améliorer le système : « Les travaux actuels présentent plusieurs pistes d’amélioration. Premièrement, la méthode proposée repose sur un système de capture de mouvement pour un déploiement en situation réelle. L’intégration de la vision active pourrait pallier cette limitation. Deuxièmement, la formulation actuelle de la tâche consiste à renvoyer des balles entrantes initialisées aléatoirement vers des emplacements cibles, ce qui diffère encore d’un véritable match de tennis à deux joueurs. »
Les développeurs de LATENT affirment que, même si des améliorations sont encore nécessaires, le cadre pourrait être étendu à d’autres sports ou tâches pour lesquels des données parfaites sur le mouvement humain ne sont pas disponibles.
