ATHLETE: Learning Reactive Humanoid Tennis via Trajectory-Guided Motion Matching

📄 arXiv: 2610.13572v1 📥 PDF

作者: Zhihao Tian, Zifan Wang, Enzheng Zhu, Xun Yang, Jialong Qin, Mengbo Wang, Junwei Liang

分类: cs.RO

发布日期: 2026-10-09

备注: projectpage:https://hazintihoa.github.io/athlete.github.io/#overview

💡 一句话要点

提出ATHLETE框架以解决人形机器人网球反应协调问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱六：视频提取与匹配 (Video Extraction)

关键词: 人形机器人 网球技能 轨迹引导运动匹配 师生学习 PPO微调 动态反应 运动数据融合

📋 核心要点

  1. 现有方法在快速变化的球动态下难以实现人形机器人的全身协调，且收集任务特定的运动捕捉数据成本高昂。
  2. ATHLETE框架通过结合通用运动数据与视频演示，利用轨迹引导运动匹配技术，构建多样化的全身运动参考以学习网球技能。
  3. 在真实人形机器人上，ATHLETE实现了90.00%的正手击球率和86.67%的反手击球率，能够与人类进行多次击球对抗，展示了显著的性能提升。

📝 摘要（中文）

人形网球需要在快速变化的球动态下进行全身协调，但收集覆盖多样化状态的任务特定运动捕捉演示成本高昂。为此，本文提出ATHLETE框架，通过结合通用运动数据和普通网球视频，学习人形网球的反应能力。ATHLETE结合了LAFAN1运动与视频衍生的击球动作，利用轨迹引导运动匹配（TGMM）构建多样化的任务条件全身参考。这些参考通过基于物理的师生学习与在线DAgger蒸馏转化为反应策略，随后通过PPO微调以适应网球任务。最终，ATHLETE在真实人形机器人上实现了90.00%的正手击球率和86.67%的反手击球率，并能够与人类玩家进行多次击球对抗，展示了从可重用运动数据和视频演示中学习动态人形网球技能的能力。

🔬 方法详解

问题定义：本文旨在解决人形机器人在快速变化的网球动态下的反应协调问题。现有方法在收集多样化的运动捕捉数据时面临高成本和效率低下的挑战。

核心思路：ATHLETE框架通过结合通用的运动数据和视频演示，利用轨迹引导运动匹配（TGMM）技术，构建多样化的任务条件全身运动参考，从而实现人形网球的学习。

技术框架：ATHLETE的整体架构包括三个主要模块：首先，利用LAFAN1运动数据和视频数据生成多样化的击球参考；其次，通过基于物理的师生学习与在线DAgger蒸馏将这些参考转化为反应策略；最后，采用PPO算法进行微调以适应网球任务。

关键创新：ATHLETE的主要创新在于将通用运动数据与视频演示结合，利用TGMM构建多样化的全身运动参考，并通过物理基础的学习方法实现高效的策略生成，这与传统方法依赖于大量特定数据的方式有本质区别。

关键设计：在设计中，ATHLETE采用了基于物理的师生学习框架，结合了在线DAgger蒸馏技术，确保了策略的高效性和适应性。同时，PPO微调过程中的超参数设置经过精心调整，以优化学习效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ATHLETE在真实人形机器人上实现了90.00%的正手击球率和86.67%的反手击球率，显示出显著的性能提升。与传统方法相比，ATHLETE能够在无需参考运动输入的情况下，直接响应机器人和球的观察，展现出更高的灵活性和适应性。

🎯 应用场景

ATHLETE框架的潜在应用场景包括机器人运动训练、智能体育教学以及人机交互等领域。通过学习人形网球技能，该技术可以提升机器人在动态环境中的反应能力，推动智能机器人在体育和娱乐领域的应用。未来，ATHLETE的理念和方法也可能扩展到其他运动或复杂任务的学习中，具有广泛的实际价值。

📄 摘要（原文）

Humanoid tennis requires reactive whole-body coordination under rapidly changing ball dynamics, yet collecting task-specific motion-capture demonstrations that cover diverse approach states, contact locations, and timing conditions is costly. Inspired by how humans acquire new skills by combining reusable motor experience with task-specific demonstrations, we present ATHLETE, a framework for learning reactive humanoid tennis from generic locomotion data and ordinary tennis videos. ATHLETE combines LAFAN1 locomotion with video-derived striking motions and uses Trajectory-Guided Motion Matching (TGMM) to construct diverse task-conditioned whole-body references. These references are transformed into a reactive policy through physics-based teacher--student learning with online DAgger distillation, followed by PPO fine-tuning for the tennis task. The resulting policy responds directly to robot and ball observations without requiring reference-motion inputs at deployment. On a real humanoid robot, ATHLETE achieves forehand and backhand hit rates of $90.00\%$ and $86.67\%$, respectively, and enables multi-shot rallies with human players. These results demonstrate that ATHLETE can learn dynamic humanoid tennis skills from reusable locomotion data and video demonstrations. Result videos and code can be found at https://anonymous.4open.science/w/ATHLETE2027/.