Un equipo de investigadores de la Universidad Tsinghua, la Universidad de Pekín y la firma de robótica Galbot presentó LATENT, un sistema de inteligencia artificial que permitió a un robot humanoide aprender a jugar tenis a partir de movimientos humanos fragmentados e “imperfectos”. El experimento se realizó sobre el Unitree G1, un androide bípedo de propósito general que ya se había hecho conocido por realizar coreografías y ejercicios atléticos, pero que ahora es capaz de sostener peloteos reales con personas.
A diferencia de enfoques tradicionales, que dependen de captura de movimiento de alta precisión o de complejos análisis de videos profesionales, LATENT se entrenó con unas cinco horas de clips de jugadores aficionados, registrados en un área mucho más reducida que una cancha reglamentaria. Esos registros sólo recogían las “habilidades primitivas” del tenis, como golpes de derecha e izquierda, desplazamientos laterales y pasos cruzados, sin la pulcritud ni la consistencia de un atleta de élite.
El sistema aprende primero un “espacio de acciones latentes” donde se codifican esas destrezas básicas, y luego entrena una política de alto nivel capaz de combinar y corregir esos movimientos para cumplir el objetivo de devolver la pelota dentro del campo contrario. Gran parte del aprendizaje se realiza en simulación, a gran velocidad, antes de transferir el modelo al robot físico mediante técnicas de “sim‑to‑real” que reducen la brecha entre el mundo virtual y el entorno real.
Una vez desplegado en el Unitree G1, el sistema puede seguir pelotas rápidas, ajustar el ángulo de la raqueta en tiempo real y mantener peloteos de varios intercambios con jugadores humanos, enviando la bola a zonas específicas de la pista. Distintos videos de demostración muestran al robot desplazándose con agilidad de lado a lado, con una coordinación de cuerpo completo que recuerda al movimiento de un tenista humano, aunque todavía muy lejos del nivel profesional.
Para la comunidad científica, el avance no está tanto en ganar partidos como en demostrar que se pueden enseñar habilidades físicas complejas sin depender de datos perfectos ni de carísimos sistemas de captura profesional. Los creadores de LATENT señalan que este tipo de aprendizaje deportivo podría servir como banco de pruebas para que futuros humanoides desarrollen reflejos y coordinación en escenarios caóticos, algo crucial para tareas como el rescate, la manipulación en fábricas o la operación en entornos peligrosos.
