像职业选手一样打球：人形机器人的自适应运动规划与跟踪 - Wiley 科学与工程内容中心
Learning to Play Like a Pro: Adaptive Motion Planning and Tracking for Humanoid Robots - Wiley Science and Engineering Content Hub
以下为原文逐段中文翻译，保留图表与说明。AI 翻译并经 AI 对照复核，仍可能存在错误；核对数据和引用时请同时查看原文。译文发布：2026年10月17日 06:30（北京时间）。
立即下载这份免费白皮书！
本白皮书为机器人专家和控制工程师提供了全面综述，阐述如何将运动规划与运动跟踪解耦，以在人形机器人身上保留职业运动员的动作风格，以及为何自适应的、速度感知的控制对于弥合仿真与现实部署之间的差距至关重要。
您将了解到：
- 为何在人形球类运动机器人领域，将职业运动员的动作风格与可靠的任务执行结合起来仍是一个未解难题，以及如何通过将高层规划器与底层跟踪器分离来应对这一权衡。
- 如何将从转播视频和动作捕捉录像中提取的运动数据进行重建、重定向并进行物理校正，转化为人形机器人能够安全跟踪的参考运动。
- 为何从仿真到现实的迁移会引入不断累积的跟踪误差，以及如何在随机化的执行速度上训练跟踪器，并在规划器中搭配一个学习得到的运动速度适配器，从而提升在物理硬件上的鲁棒性。
- 这一自适应框架如何在两个人形机器人平台上得到验证，其中包括在没有任何动作捕捉系统的情况下，由全尺寸人形机器人在真实环境中完成发球。
点击“查看内页”立即下载。
IEEE Spectrum 与 Wiley 荣幸为您呈现这份白皮书，由 Noitom Robotics 赞助
更多信息
人形机器人已开始在球类运动中展现出真正的能力，但在保持可靠任务执行的同时保留职业运动员的动作风格，仍是一个未解决的问题。本指南考察了一个自适应运动规划与跟踪框架，它直接从转播视频和动作捕捉数据中学习网球发球与对打风格。其分层设计将生成风格化运动学动作的规划器，与以最小干扰执行该动作的跟踪器分离开来。由于在仿真中训练的策略迁移到物理硬件时，跟踪性能不可避免地会下降，该框架在随机化的执行速度上训练其跟踪器，并以一个学习得到的运动速度表示来调节其规划器，从而减少由自回归规划和带噪感知所引入的累积误差。该论文记录了在一个研究型人形机器人平台上的真实世界验证，以及向全尺寸人形机器人的迁移，包括在无动作捕捉的非受控环境中完成发球，并在结尾为构建未来人形球类运动系统的工程师提供了实用且可迁移的经验。
展开英文原文 · 与中文逐段对应
Learning to Play Like a Pro: Adaptive Motion Planning and Tracking for Humanoid Robots - Wiley Science and Engineering Content Hub
Download this complimentary White Paper today!
This White Paper provides roboticists and control engineers with a comprehensive overview of how motion planning and motion tracking can be decoupled to preserve professional athletic style in humanoid robots, and why adaptive, speed-aware control is essential for closing the gap between simulation and real-world deployment.
What you will learn about:
- Why combining a professional athlete’s motion style with reliable task performance remains an open challenge in humanoid ball-sports robotics, and how separating a high-level planner from a low-level tracker addresses this trade-off.
- How motion data extracted from broadcast video and motion-capture recordings can be reconstructed, retargeted, and physically corrected into reference motions a humanoid robot can safely track.
- Why the sim-to-real transition introduces compounding tracking errors, and how training a tracker on randomized execution speeds, paired with a learned motion-speed adapter in the planner, improves robustness on physical hardware.
- How this adaptive framework was validated across two humanoid platforms, including full-size, in-the-wild serving performed without any motion-capture system.
Click ‘LOOK INSIDE’ to Download Now.
IEEE Spectrum and Wiley are proud to bring you this White Paper, sponsored by Noitom Robotics
More Information
Humanoid robots have begun to show real capability in ball sports, but preserving a professional athlete’s motion style while maintaining reliable task performance is still an unresolved problem. This guide examines an adaptive motion planning and tracking framework that learns tennis serving and rally styles directly from broadcast video and motion-capture data. A hierarchical design separates a planner, which generates stylistic kinematic motion, from a tracker, which executes that motion with minimal interference. Because tracking performance inevitably degrades when a policy trained in simulation moves to physical hardware, the framework trains its tracker on randomized execution speeds and conditions its planner on a learned motion-speed representation, reducing the compounding errors introduced by autoregressive planning and noisy perception. The paper documents real-world validation on a research humanoid platform and transfer to a full-size humanoid robot, including serving in an uncontrolled environment without motion capture, and closes with practical, transferable lessons for engineers building future humanoid ball-sports systems.
查看本期独立摘要
中文独立摘要 · AI 整理
这件事
这份白皮书面向机器人专家与控制工程师，概述如何将运动规划与运动跟踪解耦，以在人形机器人身上保留职业运动员的运动风格，并说明为何自适应、感知速度的控制对于弥合仿真与现实部署之间的差距至关重要。白皮书由IEEE Spectrum与Wiley联合推出，Noitom Robotics赞助。文中指出，人形机器人已开始在球类运动中展现真实能力，但要在保持可靠任务表现的同时保留职业运动员的运动风格，仍是尚未解决的问题。该指南介绍了一套自适应运动规划与跟踪框架，可直接从转播视频与动作数据中学习网球发球与对打风格。
本页概括所列来源的重点，属于独立摘要；完整报道请阅读原站。整理时间：2026年10月17日 04:44（北京时间）。
信息从哪里来
依据 IEEE Spectrum 的RSS 摘要与原文节选整理，事实核对限于列明材料；不是原文全文翻译。
- IEEE Spectrum 来源报道（RSS 摘要与原文节选）