面向人形机器人的专业网球风格：自适应运动规划与跟踪

人形机器人近期在真实世界球类运动中展现出有前景的能力。然而，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。在这项工作中，我们提出 AdaPT，一种自适应运动规划与跟踪框架，可直接从转播视频中学习专业网球发球和对打风格。这种分层设计的动机来自一个关键洞察：规划器生成具有风格的运动学动作，而跟踪器以尽量少干扰规划的方式执行这些动作。尽管其在仿真中效果显著，但仍出现了明显的仿真到现实差距：真实机器人上的跟踪性能不可避免地下降，而这种下降会被自回归规划部分忽略，并进一步受到有噪声感知的叠加影响。为解决这些问题，我们的适应机制通过学习跟踪随机化的执行速度来提高跟踪鲁棒性，同时让规划器以学习得到的运动速度适配器为条件，以缓解累积误差。在 Unitree G1 上进行的真实世界实验展示了我们的适应机制在弥合仿真到现实差距方面的有效性。我们还将 AdaPT 策略部署到全尺寸 Dobot Atom 人形机器人（1.7m）上，并展示了无需动作捕捉的野外发球。除这些结果外，我们的真实世界实验还揭示了面向未来人形机器人球类运动系统的算法与工程洞察。视频和代码可在我们的 \href{https://humanoidtennis.github.io/AdaPT/}{项目网站} 获取。