Ace! Motion Planning of Professional-Level Table Tennis Serves with a Robot Arm

📄 arXiv: 2607.06989v1 📥 PDF

作者: Guillem Torrente, Guilherme Jorge Maeda, Divij Grover, Megumu Tsukamoto, Hamdi Sahloul, Peter Dürr

分类: cs.RO, eess.SY

发布日期: 2026-07-08

备注: 8 pages, 4 figures

💡 一句话要点

提出基于运动原语与优化的机器人乒乓球发球方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 乒乓球机器人 运动规划 模型预测控制 贝叶斯优化 高旋转发球 智能体育 机器人控制

📋 核心要点

  1. 乒乓球发球的研究相对较少，现有方法在高旋转生成和精准瞄准方面面临挑战。
  2. 本文提出了一种结合运动原语、模型预测控制和贝叶斯优化的新方法，旨在生成高质量的乒乓球发球。
  3. 实验结果表明，该方法生成的发球旋转和速度均超过了顶级运动员，展示了显著的性能提升。

📝 摘要（中文）

乒乓球作为一种动态且受欢迎的运动，近年来成为机器人研究的重要基准。尽管大多数研究集中在回球方面，但发球这一环节却相对较少被探索。发球需要极高的物理建模与控制能力，尤其是在无旋转球的情况下生成高旋转、精准瞄准和多目标优化。本文提出了一种新颖的方法，通过结合运动原语、模型预测控制和贝叶斯优化，生成符合官方规则的发球。该方法能够实现高达550 rad/s的旋转和6.7 m/s的速度，甚至超越顶级乒乓球运动员的表现。

🔬 方法详解

问题定义：本文旨在解决乒乓球发球的机器人控制问题，现有方法在高旋转和精准发球方面存在不足，难以满足竞技需求。

核心思路：通过结合运动原语、模型预测控制（MPC）和贝叶斯优化，提出了一种新的发球生成方法，能够在物理建模和控制上达到更高的精度和灵活性。

技术框架：整体架构包括三个主要模块：运动原语生成模块、模型预测控制模块和贝叶斯优化模块。运动原语用于定义发球的基本动作，MPC负责实时控制，贝叶斯优化则用于调整发球参数以优化性能。

关键创新：最重要的创新在于将运动原语与贝叶斯优化相结合，形成了一种新的发球策略，这与传统的单一控制方法有本质区别，能够实现更复杂的发球效果。

关键设计：在参数设置上，采用了高旋转和速度的优化目标，损失函数设计为多目标优化，确保发球的旋转、速度和精准度达到最佳平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法能够生成高达550 rad/s的旋转和6.7 m/s的速度，超越了顶级乒乓球运动员的发球性能，展示了显著的技术优势和应用潜力。

🎯 应用场景

该研究的潜在应用领域包括机器人乒乓球训练、竞技机器人开发以及智能体育设备。通过实现高水平的发球控制，能够提升机器人在乒乓球比赛中的表现，推动智能体育技术的发展。

📄 摘要（原文）

Table tennis, a dynamic, compact, and popular sport, has received significant attention as a robotics benchmark over the last decades. Most of the research has focused on the rally aspect - returning an incoming ball - requiring high-speed vision, agile motion planning, and tight closed-loop control. However, the other component of table tennis gameplay - the serve - is comparatively a quite unexplored research problem, that in fact requires pushing physics modeling and control to the extremes. Achieving competitive serves with a robot presents domain-specific challenges, such as high-spin generation from a spinless ball, precise aiming, or multi-objective optimization. In this work, we present a novel approach for generating official rule-compliant serves by combining motion primitives, Model Predictive Control, and Bayesian Optimization. Serves generated in this way offer a wide and controllable variation of spins of up to 550 rad/s, and speeds of up to 6.7 m/s, matching and even surpassing those of elite table tennis players.