DeepMind机器人打乒乓球，正手、反手溜到飞起，全胜人类初学者
内容提要
DeepMind在巴黎奥运会期间展示了一个能够达到人类业余选手水平的乒乓球机器人智能体。该机器人能够应对多种打法和接不同旋转的发球。虽然输给了高级选手，但在与初学者和中级选手的比赛中取得了胜利。研究使用了分层和模块化的策略架构，并通过强化学习训练智能体。与人类对打的结果表明，机器人在乒乓球回合中达到了中级人类选手的水平，但不擅长处理下旋球。
延伸解读
分层架构如何提升机器人乒乓球水平
DeepMind的乒乓球机器人采用分层和模块化策略架构，由低级技能库和高级控制器组成。低级技能库专注于特定技能，如正手上旋球、反手瞄准或正手发球，并存储每个技能的优势、劣势和局限性信息。高级控制器则根据当前游戏统计数据和技能描述，协调并选择最佳技能。这种设计使机器人能够灵活应对不同对手，并在实时比赛中调整策略。
机器人为何不擅长处理下旋球
研究发现，机器人在面对下旋球时着陆率大幅下降。这主要是因为机器人在处理低球时，为了避免与桌子碰撞，可能采取了保守策略。此外，实时确定球的旋转非常困难，涉及复杂的感知和计算。这一缺陷揭示了当前机器人在处理旋转球方面的局限性，尤其是在高速运动中准确判断旋转仍是挑战。
人机对打的体验与接受度
研究参与者表示，他们非常享受与机器人对打，并在“有趣”和“吸引人”方面给予机器人很高评价。他们一致表示“非常愿意”再次与机器人对打。在自由时间里，参与者平均在5分钟内与机器人玩了4分06秒。这表明机器人不仅具有竞技价值，还能提供娱乐和互动体验，有助于推动机器人技术的普及和接受度。
Q&A
DeepMind的乒乓球机器人能达到什么水平？
DeepMind的乒乓球机器人达到了人类业余选手的水平。
该机器人在与初学者和中级选手的比赛中表现如何？
机器人在与初学者的比赛中获胜100%，与中级选手的比赛中获胜55%。
DeepMind的乒乓球机器人是如何训练的？
机器人通过强化学习训练，使用分层和模块化的策略架构。
机器人在处理下旋球时有什么问题？
机器人不擅长处理下旋球，着陆率在面对下旋球时大幅下降。
研究者如何收集训练数据？
研究者收集了人类比赛数据，作为训练的初始条件。
参与者对与机器人对打的体验有什么反馈？
参与者表示与机器人对打很有趣，愿意再次对打。
