动易科技刘晨澔：人形机器人羽毛球对拉 40 拍背后的分层革命 | IROS 2026

顶会上的人形机器人高动态运动场景的最新工业级进展。 作者丨 邓哲敏 编辑丨 齐铖湧 羽毛球大概是所有球类里最“不讲道理”的项目。 一颗球被重杀出去时，初速能飙到两三百公里每小时，却因为十六片羽毛带来的巨大空气阻力，速度在飞行中急剧衰减。轨迹也不再是抛物线，变为前段平直、后段陡降的不对称弧线。 同时，一头是软木、一头是羽毛，重心和压力中心错开，每颗球在半空都会自己翻跟头。这个翻转，让它的轨迹变得更难预测。 可以说，打羽毛球是一场动态的冥想，身体要灵敏移动，心却要足够安静，才能提前一秒“看”到落球点。 对于人形机器人来说，这种难度系数的动静结合，需要一套分工明确的大小脑。 小脑这一层，过去三年进化很快。 人形机器人的全身控制已经从“走得稳”走到“学得像”：先用人体动捕数据训练机器人跟踪各类动作，再靠系统辨识、域随机化缩小仿真与现实的差距，跑、跳、舞蹈这类技能逐渐稳定，也出现了让机器人复现高动态全身动作的工作，比如 ASAP 提出的对齐仿真与真实物理的方法。 在此基础上，球类成了检验大小脑的新考场。 回顾领域内过去的工作，能看到两个趋势。 一是 分层 ：AdaPT 的核心思路，就是让规划器生成风格化动作，让跟踪器负责执行，并尽量不干扰规划；HITTER、LATENT 也都是“高层决策，低层执行”的结构。二是 人类先验： 动捕、视频、业余数据，都在给机器人提供人类运动的经验。 但行业里仍有一块相对空白，多数工作解决的是接球的问题，而关于如何打赢对手的策略层，公开成果还不多。羽毛球恰好把这个矛盾放大，落点区域广、步法频繁、球速衰减快，是策略与执行分离最值得检验的场景。 9 月 27 日，美国匹兹堡，IROS 2026 workshop 日，来自中国动易科技（PHYBOT）的刘晨澔站上讲台，他和团队把策略博弈和本能执行这两件事拆开，成功让一台 1.35 米高的人形机器人和人类对拉四十余拍，并能在仿真里靠自我博弈学会算球。 团队的人形羽毛球工作早有技术积累。25 年 11 月，刘晨澔作为一作发表论文，用三阶段课程训练出一个统一的全身控制器，不依赖动作先验和专家演示，真机出球速度最高达每秒 19.1 米。此后团队做了三件事: 1.让球打得准。 引入人类参考动作，用多个判别器分别学习上旋、下旋正反手等风格；再训练一个学习型技能选择器，为每个来球挑选任务表现最好的技能。 2.让机器人学会算球。 高层用 GRU 策略同时决定击球技巧和落点，并借鉴联赛式的零和多智能体强化学习，在模拟里不断制造更强的对手，暴露并修补策略弱点，低层则由下层全身控制器执行。 3.验证这套分工能复用、能落地。 同一框架用大约一周迁移到乒乓球和足球，还带到商场快闪场馆中与真人互动。 以下是刘晨澔在 IROS 2026 “Perception and Decision Making for Athletic