机器人在球台上的每一次配合,背后都连接着一条完整的研发路径:采集真实运动、校准仿真环境、训练控制策略,再回到实机中运行和验证。
在 PingpongDuo 的研究实践中,青瞳视觉光学动捕系统始终支持并贯穿着这些环节。同样是真实运动数据,在不同阶段承担着不同任务。

Step1 真实人体运动:机器人如何学会给队友让位?
人类打双打,脚下藏着很多经验:什么时候侧移,什么时候收步,击球之后怎么腾出空间,又怎么为下一拍回到位置。
这些很难用语言讲清楚,却可以被记录。
源策未来通过CHINGMU动捕系统采集真人双打全身运动,并切成约 200 段步法片段,覆盖击球准备、非击球方让位、回位三类动作,再重定向到机器人的身体结构。
机器人随后在训练中学习跟踪目标位置与速度、保持平衡,以及到位后的制动与等待

接下来,还要练好动作之间的衔接。挥拍结束时,身体可能仍有转动;下一球到来时,脚步也未必已经完全停稳。研究团队让步法从击球结束后的身体状态开始训练,也让击球适应移动留下的姿态与速度,使两类技能能够连续切换。
真人运动由此从现场示范,转化为机器人学习步法与全身协调的参考。
Step2 真实球体运动:仿真里的乒乓球,怎样才能更像真实的球?
此前的机器人乒乓球研究,大多采用无球的球拍目标跟踪方式;PingpongDuo 则把球真正引入仿真场景,用回球结果来训练动作修正。既然球进了仿真,仿真里的球首先就得足够接近真实。
球在空中怎样减速,落台后怎样反弹,碰到球拍又飞向哪里——这些过程模拟得不准,仿真里练好的动作,到了实机上就可能打不准。
为此,研究团队借助青瞳视觉动捕系统,记录真实球体与球拍的运动,用实测数据开展分阶段标定:先校准飞行与台面反弹,再校准球拍碰撞。
第一步,通过垂直落球和斜向撞台实验,辨识空气阻力、台面恢复系数与摩擦参数。垂直落球帮助判断下落和反弹过程是否准确;斜向撞台则补充球沿台面方向的速度变化,用来校准摩擦响应。
第二步,把飞行与台面参数固定下来,再通过运动中的球拍击球实验,拟合球拍与球碰撞时的反弹规律。由于球拍本身也在移动,计算碰撞前后的球速时,需要以球拍接触点的运动速度为参照。

这样分阶段处理,可以减少不同模型之间的误差补偿,让球拍接触参数的拟合尽量少受飞行模型误差的影响。
经过标定,仿真环境有了实测依据,但仍无法覆盖现实中的所有变化。因此,训练时还会在这个环境中随机改变球的质量、空气阻力、摩擦和反弹等参数,帮助策略适应一定范围内的建模误差与物理条件变化。
在这套环境中,训练的目标是让机器人在快速移动后,身体尚未完全稳定时,仍能有效回球。
研究团队保持基础技能不变,让机器人先移动、再尝试击球,只训练持拍臂的动作修正。球拍能否触球、球能否过网并落在对方球台内,都会参与训练反馈;完成有效回球后,还会进一步考察落点精度和过网余量。同时,训练保留对球拍跟踪、身体稳定和修正幅度的约束,让动作调整兼顾回球效果与运动稳定性。
Step3 真实机器人运动:机器人真正打起来,系统怎么知道它和球在哪里?
回到真实球台,动捕继续为系统提供机器人与球的运动状态观测。
在源策未来发布的论文《PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination》中明确指出,“我们的实机系统依赖于外部动作捕捉来估计机器人和球的状态(Our real-world system relies on external motion capture to estimate robot and ball states. )”。
这意味着,外部动捕在这里不仅用于实验后的数据分析,还直接参与实机系统运行所需的状态估计。
在本次实验采用的技术架构下,青瞳视觉提供的高精度光学动作捕捉系统,为机器人与球体的空间运动状态测量提供支持,构成了实机双打重要的外部感知基础。

根据论文公布的实机实验,两台机器人实现了超过 10 次连续交替击球;单台机器人在 2.4 秒内完成总移动距离 2.15 米的让位与回位循环,峰值速度达到 2.23 米/秒。
这些数字,对应着球台上接连发生的动作:击球、让位、等待、回位,再迎接下一拍。
系统表现来自规划、控制、训练、数据与硬件的共同配合。青瞳视觉提供的数据与测量支持,让研究团队能够观察实机状态、分析执行偏差,并据此继续优化。
从记录人的动作,到校准球的运动,再到测量机器人的表现,动捕贯穿了这条从真实出发、回到真实的研发链路。
这也是青瞳视觉持续深耕具身智能的价值所在:让真实运动成为学习的参考、训练的依据、实验的支撑。