De vencer en ajedrez a dominar el tenis: así avanzan los robots en el deporte

Un grupo de investigadores de la Universidad de Tsinghua y la Universidad de Pekín ha desarrollado un robot humanoide capaz de jugar al tenis utilizando técnicas de aprendizaje automático similares a las que en su momento permitieron a las máquinas superar a los humanos en juegos como el ajedrez o el Go.

El proyecto, denominado LATENT, marca un avance relevante en la aplicación de inteligencia artificial en entornos físicos complejos, al demostrar que los robots pueden aprender habilidades deportivas a partir de datos limitados y no perfectos.

El sistema fue implementado en el robot humanoide Unitree G1, que logró devolver pelotas a velocidades superiores a los 15 metros por segundo (unos 54 km/h) y mantener peloteos básicos con jugadores humanos en pruebas reales.

Del ajedrez a los deportes físicos

Durante décadas, los avances en inteligencia artificial se han centrado en entornos digitales. Un punto de inflexión ocurrió en 1997, cuando Garry Kasparov fue derrotado por la supercomputadora Deep Blue, demostrando que las máquinas podían superar a los humanos en tareas estratégicas complejas.

Posteriormente, sistemas como AlphaZero ampliaron estas capacidades al dominar juegos como el ajedrez, el Go e incluso títulos de estrategia en tiempo real como StarCraft. Sin embargo, trasladar estos avances al mundo físico ha sido mucho más desafiante debido a variables como el equilibrio, la coordinación y la interacción con objetos en movimiento.

El tenis, en particular, representa un reto excepcional por la velocidad de la pelota, la precisión requerida en los golpes y la necesidad de reaccionar en fracciones de segundo.

Aprender con datos imperfectos

Uno de los aspectos más innovadores del proyecto LATENT es su enfoque de aprendizaje. A diferencia de otros desarrollos que dependen de grandes volúmenes de datos precisos, este sistema utiliza información “imperfecta” obtenida de movimientos humanos.

Los investigadores optaron por entrenar al robot con habilidades básicas, como golpes de derecha, revés y desplazamientos laterales. En lugar de replicar jugadas completas, el sistema combina estos movimientos para construir su propia técnica.

Además, el entrenamiento se realizó inicialmente en una cancha reducida, aproximadamente 17 veces más pequeña que una pista profesional. Esta simplificación permitió disminuir la complejidad del entorno y facilitar el aprendizaje inicial.

Corrección en tiempo real

El robot no solo ejecuta movimientos preprogramados, sino que también es capaz de aprender de sus errores. Durante las pruebas, el sistema ajustó su postura, su equilibrio y el ángulo de la raqueta en tiempo real para mejorar la precisión de sus golpes.

Este tipo de aprendizaje, basado en prueba y error, es característico del aprendizaje por refuerzo, una técnica que ha sido clave en los avances recientes de la inteligencia artificial.

Para evitar comportamientos no deseados —como movimientos poco naturales— los investigadores limitaron la exploración del robot a patrones similares a los humanos, utilizando la distribución de datos inicial como referencia.

De la simulación a la cancha

La implementación en el robot Unitree G1 permitió validar el sistema en condiciones reales. Este modelo cuenta con 29 grados de libertad, lo que le da una amplia capacidad de movimiento.

Equipado con una raqueta adaptada mediante impresión 3D, el robot logró cubrir buena parte de la cancha y responder a diferentes trayectorias de la pelota. Aunque su rendimiento aún es básico, las pruebas evidencian que puede interactuar de manera dinámica con jugadores humanos.

Un paso hacia el futuro de la robótica

Los investigadores señalan que este avance no implica que los robots estén cerca de competir con atletas profesionales. Sin embargo, sí demuestra que las técnicas de inteligencia artificial utilizadas en entornos virtuales pueden trasladarse al mundo físico.

El proyecto abre la puerta a nuevas aplicaciones en áreas como el entrenamiento deportivo, la rehabilitación física y la automatización de tareas que requieren coordinación motriz avanzada.

A largo plazo, este tipo de desarrollos podría permitir que los robots aprendan una amplia variedad de habilidades físicas a partir de un conjunto limitado de movimientos básicos.

Por ahora, el tenis se suma a la lista de disciplinas en las que las máquinas comienzan a mostrar su potencial, en un camino que empezó en los tableros de ajedrez y que ahora se traslada a las canchas.