HITTER: A HumanoId Table TEnnis Robot via Hierarchical Planning and Learning

Motivation

• Known: 휴머노이드 로봇은 보행 및 whole-body control에서 진전을 이루었으나, 빠른 동적 환경에서의 조작 작업이 제한적이다. 로봇 탁구는 고속 인식, 계획, 제어의 테스트베드로 활용되어 왔다.
• Gap: 기존 휴머노이드는 정적 환경에서의 제어에 집중했으며, 선행 연구는 제자리에서만 플레이하여 효과적인 타격 범위가 제한되었다. 민첩한 보행과 함께 인간다운 striking motion을 보이는 humanoid table tennis이 부재하다.
• Why: 탁구는 극도로 짧은 반응 시간, 전신 협력 제어, 연속 랠리에서의 균형 회복이 필요하므로 민첩하고 상호작용적인 로봇 행동을 실현하는 데 이상적인 테스트베드이다.
• Approach: 계층적 구조로 설계하여, 상위 계획 단계에서 model-based planner가 볼 궤적 예측 및 striking position/velocity/timing을 결정하고, 하위 제어 단계에서 RL 기반 WBC policy가 human motion references를 포함하여 human-like한 전신 동작을 생성한다.

Achievement

Fig. 1: Humanoid table tennis rallies. Our system enables both humanoid-humanoid (left) and humanoid-human (right) match

• 계층적 프레임워크: model-based planner와 RL 기반 whole-body controller를 통합하여 빠른 궤적 예측, 안정적인 인터페이스 제공, 효율적인 훈련을 달성
• Human-like Striking Skills: 팔의 협력적 동작과 다리의 민첩한 움직임을 결합하여 인간다운 전신 타격 능력 개발
• 실제 세계 검증: 최대 106개의 연속 샷을 인간 상대로 달성하고, humanoid-humanoid 및 humanoid-human 랠리 모두 시연

How

Fig. 2: System overview. (a) The racket is mounted on the robot’s right wrist using a 3D-printed connector, and the ball

• Motion capture 시스템(360 Hz, millimeter-level accuracy)으로 볼 위치 추적
• Least-squares fitting을 통해 ball velocity 추정 (31개 position measurements 사용)
• Hybrid dynamics model (aerodynamic drag + gravity)을 사용한 ball trajectory prediction
• Model-based planner에서 striking position, velocity, timing 계산
• RL을 통한 WBC policy 훈련 (human motion references 포함, simulation에서 실시)
• Unitree G1 humanoid의 29개 joint를 50 Hz로 제어 (PD controller로 토크 변환)
• 연속 strikes를 포함한 훈련으로 agile motions과 balance recovery 학습

Originality

• General-purpose humanoid robot에서 agile locomotion을 포함한 table tennis play의 첫 시연
• Model-based planner와 RL-based whole-body controller의 새로운 hierarchical integration
• Minimum human motion references (2가지)만으로 natural movements를 유도하는 방법론
• Sub-second perception-action loop를 갖춘 fully autonomous humanoid interactive control

Limitation & Further Study

• Motion capture system의 의존성: 실제 배포 시 onboard vision으로 대체 필요
• Ball trajectory prediction이 spin effect를 무시한다는 가정 (충분히 작은 spin만 처리 가능)
• 특정 하드웨어(Unitree G1, 9 OptiTrack cameras)에 의존적인 설계
• Opponent modeling 및 전략적 플레이 부재: 현재는 반응적 플레이만 가능
• 일반화성: 다른 동적 상호작용 작업(예: 배드민턴, 테니스)으로의 확장성 미검증
• 후속 연구: onboard perception 도입, spin 고려 확장, opponent intent 예측 통합, 더 다양한 striking techniques 학습

Evaluation

총평: 본 논문은 humanoid table tennis를 통해 고속 동적 환경에서의 전신 제어 및 상호작용을 처음으로 성공적으로 시연하였으며, 계층적 planning-control 통합과 minimal human references를 통한 우아한 접근법이 인상적이다. 실제 세계 검증(106 연속 샷)은 방법론의 실용성을 강력히 입증한다.