清华 LATENT：用「不完美人类数据」让机器人学会网球对打 | IROS 2026|不完美|动作|机器人|清华latent|真实世界|网球|足球

5小时动作碎片，最后变成了机器人的身体直觉。

作者丨吴思梦

编辑丨岑峰马晓宁

如果你玩过《Mario Tennis》或者《TopSpin》，大概不会觉得打网球是一件特别复杂的事。

球飞过来，移动人物，判断落点，在合适的时机按下击球键。

尤其在《Mario Tennis Aces》里，游戏甚至把网球进一步拆成了一套很直观的动作语言：正手、反手、上旋、切削、吊高球，甚至还有需要精确卡点才能完成的特殊击球。

Mario Ten nis Ac es 游戏画面

现实里的网球当然远比这些复杂，游戏做的事情是“动作映射”（action mapping），本质上是把玩家一个非常抽象的“按键操作”，映射成角色一整套复杂的身体动作。玩家不需要知道这个动作是怎么完成的，因为中间的运动控制被游戏系统接管了。

球什么时候落地、身体什么时候转腰、脚要往哪边迈、手臂应该以多大的速度挥出去，这些事情在游戏里几乎都被隐藏。玩家看到的只是一个简单的输入，游戏引擎负责把它翻译成一连串完整的身体动作。哪怕球飞得再快，角色也不会因为来不及调整重心而站不稳，更不会因为脚下慢了一步，整个人失去平衡。

但如果把这个“按一下就能挥拍”的角色换成一台真正的人形机器人，“具身性”将会使事情变得完全不一样。具身智能则要求机器人重新承担这个被游戏隐藏起来的身体过程，即从意图到动作的鸿沟。

它首先得判断球从哪里来，再决定什么时候移动、移动多少；接近击球点时，双腿、腰部、躯干、肩膀、手臂和手腕必须协调起来。球拍碰到网球的时间可能只有很短的一息，而就在这段时间里，机器人还必须处理自身姿态、关节速度、摩擦力、球拍重量和来球速度等一系列变化。

网球因此成了一个很有意思的机器人问题。

它不像在实验室里抓取一个静止的杯子。球一直在飞，击球点一直在变，机器人不能只把一个动作做对一次，而是要在不断变化的状态里重复做对。它需要的也不再只是“知道该做什么”，而是让整个身体在几百毫秒甚至更短的时间里形成一个协调的反应。

这也是IROS 2026上一项来自清华大学、北京大学、Galbot、上海启智研究院和上海人工智能实验室研究团队的工作——LATENT，试图回答的问题。

论文题目本身就很有意思： Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data 。关键词不是“perfect”，反而是“imperfect”。

研究团队没有给机器人准备一套经过精心筛选、完整、准确的人类职业网球比赛数据。相反，他们有意从并不完美的人类动作数据出发，让机器人学习网球运动中最基本的身体能力，再通过强化学习和仿真，把这些能力组合成能够真正击球的策略。

换句话说，他们想解决的不是“怎样把人类动作完整复制给机器人”，而是一个更接近现实的问题：如果人类给机器人的示范本来就不完整、不够精确，它还能从里面学到什么？

Unitree G1 网球场击球

五个小时的不完美数据

如果真的想让机器人学习一个人类网球运动员，最直觉的办法，是把这个运动员完整地记录下来。

从准备姿势开始，到移动、挥拍、击球、回位，再到下一次击球。最好还有大量不同来球、不同落点、不同身体姿态，甚至完整的比赛过程。这样机器人看到的就不只是“手应该怎么挥”，而是一套完整的网球行为。

问题是，这样的数据非常难采。

更不用说如果目标是人形机器人，人体和机器人本身的身体结构并不一样。人的手臂长度、关节范围、身体重量、肌肉力量都与机器人不同，即使动作捕捉系统准确地记录下一个人的动作，也不能保证机器人能够一模一样地执行。LATENT采取了另一条路。

研究团队找来了5名业余网球选手，在一个约3米×5米的动作采集区域里，记录了大约5小时的人体运动数据。这个空间甚至不到标准网球场的一个很小部分。研究人员没有要求球员打完整比赛，而是把注意力集中在网球运动中一些最基础的身体动作上，包括正手、反手，以及侧向滑步、交叉步等移动动作。

人类网球动作捕捉

这些动作看起来很碎。

一个人向侧面迈两步，一个人完成一次正手挥拍，一个人做一次反手动作。它们并不能拼成一场完整的网球比赛，更谈不上告诉机器人“下一球应该打到哪里”。

但研究团队认为，这些碎片仍然包含了一件非常重要的东西：人类在面对网球运动时，是怎样使用自己的身体的。

这也是论文所说的“imperfect human motion data”。所谓“不完美”，至少有两个层面。

第一，它不够精确。动作捕捉得到的人体运动并不意味着机器人可以毫无修改地照搬，尤其是在手腕等局部动作上，人类数据和机器人身体之间存在明显差异。

第二，它不够完整。研究团队收集的是网球基本动作，而不是一套完整的比赛行为。数据可以告诉机器人怎样移动、怎样挥拍，却不会直接告诉它面对不同来球时应该选择什么策略。

传统思路很容易把这些缺点看成问题：数据不够准，那就继续采；数据不完整，那就再采更多。LATENT的思路却稍微往旁边走了一步。

他们没有试图把这些数据修补成一份“完美的人类网球运动说明书”，而是把它当成一种先验。机器人不需要成为某个具体人类运动员的复制品，它首先需要知道，人类在网球这样的高速运动里，大概是怎样使用身体的。

这个区别很重要。因为对于强化学习来说，从零开始探索所有可能的身体动作，代价非常高。一个29自由度的人形机器人，并不是只有“挥拍”和“不挥拍”两个选择。每一个时刻，它都可能改变腿、腰、躯干、肩膀和手臂的状态。

如果完全从零开始，它甚至不知道什么样的身体运动算是合理的。人类的动作数据，哪怕只是一些碎片，也可以先给它画出一个大致的边界。

这就像一个人第一次拿起网球拍。你不需要先给他一套完整的职业训练课程，他只要知道“人类大概是这样站、这样移动、这样挥拍”，接下来才有可能在不断试错中找到自己的打法。

LATENT做的事情，大概可以理解为是让机器人先获得这样的“身体直觉”。

机器人需要的是一套“身体语言”

实验使用的是宇树 Unitree G1 人形机器人。

但研究团队没有简单地把采集到的人体动作逐关节塞给它。真正的难点恰恰在这里：人类动作不是机器人动作。

一个人挥拍时，大脑不会显式计算“左膝弯曲多少度、右髋转多少度、躯干倾斜多少度”。这些动作最终形成的是一种身体协调。

如果机器人每次都必须直接决定29个自由度应该怎样运动，学习空间会非常庞大，也很容易在强化学习过程中产生不自然甚至不稳定的动作。

LATENT 方法框架图

LATENT因此先训练了一个运动追踪器，让机器人能够学习人类动作所包含的身体运动模式。然后，研究团队又把这个运动追踪器进一步压缩成一个连续的 latent action space，也就是所谓的潜在动作空间。

如果用一个更直观的比喻，它有点像一本“动作词典”。

机器人不必每一次都从头计算29个关节应该怎样配合，而是可以先从这本词典里选择一种已经学过的身体运动，再根据眼前的球调整它。

这个动作空间还有一个很重要的特点：它不是把机器人固定在人类动作上。

人类示范只是提供了动作的先验，真正面对网球时，机器人还需要自己学习。这就是为什么论文没有把“模仿人类”当成最终目标。

假设一个人类球员挥拍时手腕有一个动作，而这个动作对于G1来说并不可靠，那么机器人没有必要死守这个动作。研究团队甚至专门对右手腕进行了处理：降低它在运动追踪阶段的可靠性，让机器人不能过度依赖这个存在误差的局部动作，再让高层策略在真正击球时对它进行修正。

这个设计很像故意给机器人留了一颗不太牢固的螺丝。

如果一个系统只有在这颗螺丝完全准确的时候才能工作，那么现实中的一点误差就可能让整个动作失效。相反，如果机器人从一开始就被迫学会依靠腿、髋部、躯干、肩膀等身体部分共同完成动作，那么当手腕出现偏差时，它仍然有机会调整整个身体，把球打回去。

这也是LATENT很有意思的一点：人类数据并不是机器人最终要追求的答案，而更像是机器人学习身体运动时的一种起点。

接下来，研究团队还要面对一个强化学习里很典型的问题。当机器人已经拥有了一套“动作词典”，强化学习会不会为了提高回球成功率，开始随意跳到词典里完全不同的动作之间？

答案是可能的。

于是研究团队提出了 Latent Action Barrier，也就是 LAB。它会约束高层策略生成的动作，让策略不要轻易偏离原本的动作分布。

Latent Action Barrier

这里的“Barrier”不是把机器人锁死，而是在探索的时候划出一条边界。

论文使用 Mahalanobis distance 来衡量动作偏离程度，而不是简单的欧氏距离。原因也很好理解：不同动作维度的尺度和变化范围并不一样，不能把所有方向上的变化都当成同样的“偏离”。实验也证明了这个约束的价值。

在正手击球任务中，完整的 LATENT 策略成功率达到96.52%；去掉 LAB 后，成功率下降到93.12%。但更明显的变化出现在动作质量上：动作平滑性指标从25.61上升到37.64，关节力矩也从7.40上升到12.53。

也就是说，LAB真正改善的并不只是“能不能把球打回去”，而是机器人在完成任务时，能不能少一些突然的、剧烈的、机械的动作。

这很像人在运动时的区别。

一个人偶尔也可能把球打回去，但如果每一次击球都靠身体猛甩、突然停顿、不断修正，那么这种动作很难持续。真正有用的运动能力，不只是成功一次，而是能够把成功变成一种稳定的身体习惯。

机器人也不能只在“干净的世界”里学习

到这里，机器人已经有了动作，也有了策略。但还有一个更大的问题：模拟世界和现实世界并不一样。

在模拟器里，研究人员知道球的质量、弹性、空气阻力，也知道机器人身体的质量和摩擦参数。球从哪里飞来、速度是多少，都可以精确控制。

现实里，一个网球的弹跳不会永远一样，球拍的重心可能存在细微误差，地面的摩擦力也会变化。机器人的关节、驱动器、传感器同样存在误差。更不用说真实系统还有延迟、噪声和偶尔丢失的观测。

如果机器人只在一个“完美模拟世界”里学会打球，一旦来到现实，原本学会的动作可能马上失效。LATENT采取的办法不是尽量把模拟世界做得完美，而是反过来：主动把不确定性塞进模拟世界。

研究团队对机器人的身体质量、质心、脚部摩擦、关节摩擦、驱动器惯量等参数进行随机化，也对网球的质量、恢复系数、空气阻力等动力学参数进行随机化。

Figure 2(c+d)：Dynamics Randomization + Observation Noise

与此同时，他们还加入观测噪声、帧丢失和延迟等因素。也就是说，机器人在模拟训练时面对的不是一个固定的网球世界，而是一整个“可能的现实世界”。有时候球重一点，有时候轻一点；有时候摩擦力大一点，有时候小一点；有时候传感器看到的数据晚了一点，有时候干脆少了一帧。

机器人被迫学会的是：“即使我不知道世界到底是哪一种情况，我也应该尽量把球打回去。”

这也是机器人学习与传统程序控制之间一个很有意思的区别。程序可以告诉机器：球速是A，摩擦力是B，延迟是C，那么执行动作D。但真实世界很少真的给你A、B、C这么整齐的条件。

所以LATENT并没有试图消灭不确定性，而是让机器人在训练阶段就习惯不确定性。论文中的消融实验很好地说明了这一点。

如果去掉网球动力学随机化，真实世界的正手成功率会明显下降到16.67%；如果去掉观测噪声，反手实验甚至降到了0%。

这两个结果恰恰说明了一个问题：机器人在现实里失败的原因，有时候并不是它没有学会动作，而是它学会的世界太干净了。

这也是 sim-to-real 最核心的难点之一。

让模拟器越来越像现实当然重要，但另一条路线是，让机器人习惯现实永远不会完全像模拟器。LATENT选择了后者。

这套思路最终被带到了真实的 Unitree G1 上。不过这里需要特别说明：这并不是一台机器人站在普通网球场上，仅凭自己的摄像头就完成了全部实验。

当前的真机验证仍然依赖动作捕捉系统。研究团队使用了动作捕捉相机获取机器人和球的运动信息，真实实验使用了大规模的动捕环境。官方项目资料显示，实验使用了50多台动作捕捉相机，动作捕捉区域达到19米×15米。

这和前面的数据采集形成了一个有意思的反差。采集5名业余球员的人体动作时，研究团队只需要一个3米×5米的小区域；真正让机器人在现实世界里稳定打球，却需要一整套复杂的动作捕捉基础设施。

也就是说，“数据不完美”并不意味着整个实验系统很简单。恰恰相反，研究团队把问题的一部分从“如何采集完美数据”，转移到了“如何让机器人从不完美数据中学会稳定能力”，但真机验证本身仍然是一个昂贵、复杂的工程系统。

论文也明确把对动作捕捉系统的依赖视为当前工作的限制，并把未来进一步使用主动视觉作为下一步方向。这意味着今天的LATENT还不是一个已经摆脱实验室条件的“自主网球机器人”。

但它至少证明了一件事：不完美的数据，可以成为机器人获得动态运动能力的起点。

它真的把球打了回来

最后真正让人感到直观的，还是球。在模拟实验中，研究团队进行了大规模测试，对不同来球条件进行评估。LATENT的正手回球成功率达到96.52%，平均落点误差为1.32米。

作为对照，AMP、ASE和PULSE等方法的正手成功率分别为41.32%、63.47%和71.85%，对应的平均落点误差也明显更大。这些数字说明，LATENT确实不是简单地让机器人“做出一个挥拍动作”。

它已经能够把身体动作、来球条件和任务目标联系起来。在不同位置和不同速度的来球下，机器人需要移动自己的身体，在合适的位置完成击球，然后尽可能把球送回目标区域。

而到了真实世界，结果仍然成立。

论文进行了20场连续的人机回合实验。在正手条件下，论文报告的回球成功率为90.90%，反手为77.78%；前场和后场条件下分别为88.89%和81.82%。

这里有一个非常重要的限定：这些数字不是“机器人真实网球比赛胜率”。真实实验中的成功标准，是机器人是否能够把球回到对手场地内；实验规模也只有20场连续回合。因此，90.90%更准确的理解是：在论文设定的真实实验条件下，机器人能够相当稳定地完成正手回球。

它证明的是一种能力，而不是职业竞技水平。事实上，LATENT当前解决的任务也还比较明确：机器人需要把来球击回目标位置，而不是像真正的网球运动员一样完成完整的单打或双打比赛。

真正的网球比赛还包含大量更复杂的问题。什么时候应该打直线，什么时候应该打斜线？对手站在哪里？这一拍之后应该如何回位？如果对方连续改变落点，机器人怎样调整自己的战术？如果球没有落到预期区域，下一拍又应该怎么办？

这些问题已经不只是“怎样挥拍”。它们要求机器人理解一个持续变化的对抗环境。

论文里的 robot-robot self-play 给出了一个补充。在仿真环境中，两台使用该策略的机器人可以进行自博弈，最长连续完成25个回合。

但这里同样要划清边界：25个回合来自仿真的机器人对机器人实验，而不是现实世界的人机比赛。所以，如果把LATENT放在更长的机器人发展史里，它现在所完成的其实不是“让机器人学会了网球比赛”，而是把一个过去很难解决的问题往前推了一步：

机器人能不能从有限的人类动作碎片里，学到一种可迁移的身体能力，然后在高速、动态、充满误差的环境中把它真正用出来？答案目前是肯定的。

至少在论文设定的任务里，它已经可以。而这件事之所以值得关注，恰恰不是因为网球本身。

网球只是一个入口

过去很长一段时间，机器人运动能力的展示往往发生在相对确定的环境里。走路、抓取、搬运、开门，每一个任务都有明确的目标，物体的位置通常也不会突然变化。

但体育运动不是这样。球会飞，目标会动，接触时间很短，动作需要连续完成。机器人不仅要控制自己的身体，还要不断根据外部世界的变化重新决定下一步。

因此，体育运动实际上提供了一个很极端的 embodied intelligence 测试场。

足球要求机器人奔跑、转身、踢球，还要理解其他运动员的位置；羽毛球要求它在高速来球下完成脚步、挥拍和落点控制；网球则把这些问题进一步集中到一个非常具体的瞬间：机器人必须在正确的位置，用正确的身体姿态，在正确的时间击中一个高速飞来的球。

这也是为什么在今年的 IROS 2026 上，athletic humanoid robotics 已经成为一个被单独讨论的方向。

IROS 2026 的 “Perception and Decision Making for Athletic Humanoid Robotics” workshop，直接把 agile locomotion、sports、dynamic manipulation、real-time planning、embodied AI 等列为讨论主题，关注的正是机器人如何在高速、接触密集和不可预测的环境中进行感知、决策和全身控制。Workshop 还安排了 Unitree、Phybot 和 Booster Robotics 的运动机器人演示，涵盖运动、羽毛球、足球等任务。

LATENT的价值，也正在这里。它没有试图把人类运动数据做成一份无比精确的答案。5名业余球员留下的只是一些动作片段，甚至这些片段本身还有误差。

但这些不完美的数据依然告诉机器人一些东西：人在这个世界里怎样移动，怎样保持平衡，怎样挥动自己的身体去追逐一个高速运动的物体。

然后，机器人自己继续往前走。

它把人类动作压缩成潜在动作空间，再用强化学习去寻找适合自己身体的动作组合；它不完全相信人类手腕的运动，于是学会让整个身体参与补偿；它不假设现实世界的参数永远准确，于是在模拟器里主动加入噪声、延迟和动力学变化；最后，它把这些东西带到真实的机器人身体上。

它在尝试回答一个更大的问题：当我们无法给机器人一份完美的世界说明书时，它能不能从不完美的信息里，自己建立起对身体和世界的理解？

这正是网球这个实验场对于具身智能场景而言有意思的地方：它要求机器人在一个没有固定答案、并且会被其他主体不断改变的世界里行动，持续暴露问题，持续优化。

球不会等机器人。它来了，身体就必须先于语言作出反应。传感器有延迟，动作有误差，原本的轨迹便不再是一条可以照着执行的指令。

所以最后真正站在球场上的，并不是一个把人类动作逐帧复制出来的机器。它脚下有5名业余球员留下的动作碎片，有并不完美的人体数据，有被故意暴露出来的不确定性，也有强化学习不断试错之后形成的身体策略。

人提供的是知识的痕迹，机器人获得的却不是知识本身，剩下的部分，要由它自己的身体去完成。

为了方便大家抱团交流、互通会议消息，我们专门建了IROS2026参会交流群！进群你会解锁这些「福利」

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——
路线导航：场馆分布、报告厅怎么走，群里随时问；
议题共读：热门 session、Keynote 探讨，错过也能追；
Poster 汇编：现场海报精华整理，一键收藏不遗漏；
约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。