قام باحثون صينيون بتدريب روبوت على لعبة التنس بطريقة مبتكرة

العلماء الصينيون قدموا طريقة جديدة لتدريب الروبوتات على لعب التنس

أصدر باحثون من الصين نتائج اختبار منهج مبتكر يتيح للروبوتات تعلم المهارات الأساسية في لعبة التنس بسرعة وبساطة. وفقًا لتقديرهم، قد يمثل هذا طفرة كبيرة في التعلم الآلي والتطبيق العملي للذكاء الاصطناعي – كما أبلغ عنه موقع New Atlas.

لماذا لا تعمل التقنيات التقليدية
في معظم الرياضات، بما في ذلك التنس، لا تزال أنظمة تتبع الحركة غير قادرة على تسجيل أدق التفاصيل، مثل زاوية المعصم أثناء الضربة. في ملعب ديناميكي، تكون هذه الفروق حاسمة، ويصبح التحكم عن بُعد غير فعال.

تزداد المشكلة مع محاولات استخراج المعلومات المطلوبة من مقاطع فيديو متعددة الكاميرات باستخدام برامج الذكاء الاصطناعي (مثل Vid2Player3D من Nvidia). يُعتبر ذلك «عملية معقدة» تتطلب معرفة عميقة وجهود هندسية.

ما اقترحه الباحثون
أنشأوا نظامًا باسم LATENT، يعتمد على تتبع الحركة لكنه يقتصر فقط على العناصر الأساسية للتقنية. يمكن لهذا النظام العمل مع بيانات غير مكتملة.

- تجربة: خلال خمس ساعات تم جمع بيانات عن «المهارات الأولية» – الضربات اليمنى/اليسرى، التحركات الجانبية والخطوات المتقاطعة في مساحة جزئية.

- تمت معالجة هذه البيانات بواسطة الكاميرات لإنشاء مجموعة من “فضاءات الحركة البشرية”.

- ثم تم تحميل المهارات الأساسية إلى روبوت هومانويد G1 من Unitree (التكلفة – 13 500 $).

كيف يتعلم الروبوت
يتيح نظام LATENT للروبوت G1 التعرف على الكرة القادمة واستخدام المضرب لردها عبر الشبكة. يُعتبر النجاح عندما تهبط الكرة ضمن الخطوط البيضاء للطرف الآخر من الملعب.

يستخدم الروبوت المهارات الأساسية لتجارب مع الزوايا، وقت الاستجابة واختيار الحركات في مواقف مختلفة. غالبية التدريب تتم في محاكاة عالية السرعة.

النتائج
- 90 % نجاح عند الضربات اليمنى.
- ≈80 % عند الضربات اليسرى.
- تبدو الحركات سلسة ورشيقة، تقريبًا مثل لاعب تنس حقيقي.

على الرغم من أن G1 لم يكن جاهزًا للمباريات الرسمية بعد، فقد أظهر تقدمًا ملحوظًا في تعلم اللعبة.

ما يعنيه ذلك لمستقبل الروبوتات
يتيح الأسلوب المطور للروبوتات التكيف بسرعة مع المواقف المعقدة والديناميكية. يفتح هذا آفاقًا للتطبيقات العملية التي تتطلب رد فعل سريع على ظروف متطرفة – من الإنتاج الصناعي إلى عمليات الإنقاذ.

برنامج LATENT مفتوح المصدر ومتاح على GitHub.