El primer día de pruebas en pista real, el robot no era capaz de devolver ni un solo saque. Al final del proyecto, su creador principal ya no podía ganarle. Eso resume mejor que cualquier gráfica lo que ha conseguido el proyecto LATENT en las últimas semanas.
Un equipo de investigadores de la Universidad de Tsinghua, la Universidad de Pekín y la empresa de robótica Galbot ha desarrollado un sistema de inteligencia artificial capaz de enseñar a un robot humanoide a jugar al tenis partiendo de datos humanos fragmentados e imprecisos. El resultado, implementado en el robot Unitree G1, puede sostener peloteos reales con personas, devolver golpes a más de 54 km/h y cubrir la pista adaptando su postura en tiempo real.
El problema que nadie había resuelto bien
Entrenar robots para actividades físicas complejas siempre ha dependido de datos de alta calidad: capturas de movimiento precisas, sensores costosos, horas de registro en condiciones controladas. Para el tenis, ese requisito es especialmente difícil de cumplir. La velocidad de la pelota, la variabilidad de los golpes, los desplazamientos laterales y la coordinación de todo el cuerpo en cada intercambio hacen que capturar datos completos y precisos sea caro y técnicamente complejo.
LATENT rompe con esa premisa. Los investigadores no intentaron registrar partidos completos ni capturar los gestos técnicos de jugadores profesionales. En su lugar, grabaron durante cinco horas a cinco jugadores aficionados realizando movimientos básicos en una pista de apenas 3 por 5 metros, diecisiete veces más pequeña que una cancha reglamentaria. Golpes de derecha, de revés, pasos laterales. Nada más.
Esos datos son, por definición, imperfectos. No hay secuencias completas, no hay precisión milimétrica, no hay consistencia profesional. Y ahí está exactamente la clave del avance.
Cómo funciona el sistema
LATENT aprende primero lo que sus autores llaman un "espacio de acciones latentes": una representación matemática de esas habilidades primitivas que permite combinarlas y corregirlas para construir movimientos más complejos. A partir de ahí, una política de IA de alto nivel actúa como entrenador digital, ajustando en tiempo real cómo se combinan esas bases según la situación concreta de cada intercambio.
Gran parte del entrenamiento ocurre en simulación, a gran velocidad, antes de transferir el modelo al robot físico mediante técnicas de transferencia sim-to-real que reducen la brecha entre el entorno virtual y la pista real.
El resultado en pruebas físicas fue notable. El Unitree G1 alcanzó una tasa de acierto del 96% en golpes de derecha en simulación y mantuvo peloteos fluidos con jugadores humanos en condiciones reales. El robot no copia movimientos prefijados: observa la trayectoria de la pelota, calcula la respuesta y ajusta postura, ángulo de raqueta y desplazamiento en tiempo real. Lo que antes parecía reservado al sistema nervioso humano empieza a tener equivalente mecánico.
El hardware: Unitree G1
El robot sobre el que se implementó LATENT es el Unitree G1, un humanoide bípedo de propósito general fabricado por la empresa china Unitree Robotics. Cuenta con 29 grados de libertad, lo que le da una capacidad de movimiento amplia y articulada. La raqueta se adaptó al extremo del brazo mediante una pieza fabricada con impresión 3D, solución tan sencilla como efectiva para un primer prototipo.
El G1 no es un robot especializado en deporte. Es la misma plataforma que Unitree usa para demostraciones de atletismo, coreografías y tareas de propósito general. Que LATENT funcione sobre hardware generalista y no sobre un sistema construido específicamente para el tenis refuerza la relevancia del avance: la clave está en el software de aprendizaje, no en el hardware.
Lo que esto implica más allá del tenis
Los propios investigadores son cuidadosos con las expectativas. El Unitree G1 no está cerca de competir con jugadores profesionales, y el entorno experimental simplifica algunos aspectos del juego real. El robot depende todavía de sistemas externos de captura para percibir su posición en la pista, lo que limita su autonomía en condiciones no controladas.
Pero el punto importante no es si este robot puede ganar a Alcaraz. Es que las técnicas de aprendizaje por refuerzo que en los últimos años han llevado a las máquinas a superar a los humanos en ajedrez y Go funcionan también en entornos físicos complejos, con movimiento real, con pelota real y con adversario humano.
Las implicaciones se extienden mucho más allá del deporte. Un sistema capaz de aprender habilidades motrices complejas a partir de datos imperfectos tiene aplicaciones directas en rehabilitación física, en entornos industriales que requieren coordinación fina, en robótica de asistencia y en cualquier contexto donde enseñar a una máquina el movimiento correcto sea costoso o directamente imposible.
El código de LATENT es de acceso abierto y está disponible en GitHub, lo que significa que cualquier equipo de investigación puede construir sobre este trabajo desde hoy.
La curva que no para
China lleva varios años acumulando hitos en robótica humanoide a un ritmo que hace difícil seguir el paso. Robots maratonistas, robots que practican artes marciales, humanoides desplegados en líneas de producción reales. LATENT añade una capa nueva: no solo hacer que un robot ejecute movimientos físicos complejos, sino que los aprenda de forma autónoma y mejore con la práctica.
Esa capacidad de aprendizaje progresivo, más que los resultados concretos en la pista de tenis, es lo que convierte este proyecto en algo que vale la pena seguir de cerca.
¿Cuánto tiempo crees que falta para ver robots compitiendo en deportes a nivel amateur? Cuéntamelo en los comentarios.
0 Comentarios