PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination
作者: Haoran Jiang, Yichao Zhong, Kai Zhang, Cheng Liu, Yixuan Pan, Zhenjie Yang, Jingbo Wang, Tianyu Li, Li Chen
分类: cs.RO
发布日期: 2026-10-14
备注: 9 pages, 6 figures. Project page: https://www.archon.tech/research/PingpongDuo
💡 一句话要点
提出PingpongDuo以解决人形乒乓球双打中的安全协调问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 人形机器人 乒乓球 团队协调 运动控制 机器学习 风险估计 动态规划
📋 核心要点
- 核心问题：现有方法在乒乓球双打中难以有效协调队友的动作，导致击球准确性和安全性不足。
- 方法要点：PingpongDuo通过分层框架实现团队层面的目标选择与风险过滤，结合个体的步法与击球技能。
- 实验或效果：在模拟中，PingpongDuo的回球成功率提高了13.2%，并在实际实验中实现了快速的清理与恢复周期。
📝 摘要（中文）
与单打不同，人形乒乓球双打要求队友在有限的空间内严格交替击球。快速重新定位可能影响击球准确性，而不协调的队友动作则增加了碰撞风险。本文提出了PingpongDuo，一个用于灵活人形双打的分层框架，确保安全的团队协调。在团队层面，规划器共同选择定位目标，并利用学习到的风险估计来过滤风险提案，优先保留当前击球者的目标。在个体层面，独立的步法和击球技能结合了灵活的运动与精确的球拍控制。通过人类双打比赛收集的步法参考进行指导，并通过相互产生的状态进行训练，以支持快速过渡。经过模拟，PingpongDuo的回球成功率比现有最优基线提高了13.2%，同时在清理过程中实现了约2厘米的定位误差。
🔬 方法详解
问题定义：本文旨在解决人形乒乓球双打中队友之间的协调问题，现有方法在快速移动和击球时容易导致碰撞和击球不准确。
核心思路：PingpongDuo的核心思路是通过分层框架实现安全的团队协调，确保队友在有限空间内有效交替击球，减少碰撞风险。
技术框架：整体架构分为团队层和个体层。团队层使用规划器选择目标并过滤风险，个体层则结合步法和击球技能，确保灵活性与准确性。
关键创新：最重要的创新在于引入了风险估计机制，能够在选择击球目标时优先考虑当前击球者的需求，显著提高了团队的协调性。
关键设计：模型中使用了人类运动参考数据来指导步法训练，采用了基于状态的训练方法，并通过模拟器反馈优化击球动作，确保击球的精确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，PingpongDuo在模拟环境中将回球成功率提高了13.2%，并在实际测试中，机器人完成了2.15米的清理与恢复周期，时间为2.4秒，最高速度达到2.23米/秒，表现出色。
🎯 应用场景
该研究的潜在应用场景包括机器人乒乓球比赛、智能体育训练系统以及人机协作领域。通过提高机器人在动态环境中的协调能力，未来可以拓展到更多需要团队合作的机器人任务中，提升人机交互的效率和安全性。
📄 摘要（原文）
Unlike singles, humanoid table tennis doubles requires teammates to strike in strict alternation while sharing a confined workspace. Rapid repositioning can compromise striking accuracy, while uncoordinated teammate movements introduce collision risks. We present PingpongDuo, a hierarchical framework for agile humanoid doubles with safe team coordination. At the team level, a planner jointly selects positioning targets and uses learned risk estimates to filter risky proposals, preferentially preserving the current striker's target. At the individual level, separate footwork and striking skills combine agile movement with precise racket control. The skills are guided by human motion references, including footwork collected from human doubles play, and trained from states produced by one another to support rapid transitions. A racket-arm residual further refines strikes after movement using return feedback from a simulator calibrated with real ball-flight and contact measurements. In simulation, PingpongDuo improves the ball-return success rate by 13.2% over the state-of-the-art baseline, while achieving approximately 2 cm positioning error during clearance. In real-world experiments, a robot completes a 2.15 m clearance-and-recovery cycle in 2.4 s with a peak speed of 2.23 m/s, while two robots sustain more than 10 consecutive strikes in strict alternation.