Robot humanoid kini mulai menembus cabang olahraga yang selama ini dianggap terlalu cepat dan kompleks untuk mesin. Salah satu contoh terbaru datang dari Unitree G1, robot humanoid yang dilatih bermain tenis hanya dari lima jam data gerak manusia.
Pengembangan ini menarik perhatian karena menunjukkan bahwa robot tidak selalu membutuhkan data besar dan mahal untuk mempelajari keterampilan fisik. Dengan bantuan sistem AI bernama Latent, robot tersebut mampu menerjemahkan gerakan pemain amatir menjadi aksi yang cukup presisi di lapangan.
Robot humanoid untuk tenis
Unitree G1 dikembangkan oleh peneliti di China sebagai platform robot humanoid yang dirancang untuk tugas fisik dinamis. Robot ini memiliki tinggi 127 sentimeter dan dibekali 29 derajat kebebasan gerak, angka yang penting untuk menghasilkan koordinasi tubuh yang luwes.
Kemampuan mekanis itu dipadukan dengan konektor raket hasil cetak 3D. Komponen ini memungkinkan robot memegang dan mengayunkan raket tenis ukuran penuh dengan kontrol yang lebih stabil dan akurat.
Dalam konteks robotika, tenis termasuk tantangan berat. Permainan ini menuntut pelacakan objek sangat cepat, pengaturan posisi tubuh secara serempak, dan keputusan dalam hitungan sepersekian detik.
Bola tenis dapat melaju hingga 30 meter per detik. Karena itu, robot tidak cukup hanya kuat secara mekanis, tetapi juga harus mampu memproses informasi visual dan mengeksekusi gerakan dalam waktu yang sangat singkat.
Belajar dari data gerak yang terbatas
Bagian paling menonjol dari proyek ini ada pada metode pelatihannya. Sistem AI Latent dilatih menggunakan hanya lima jam data motion capture dari lima pemain tenis amatir.
Pendekatan ini berbeda dari banyak model AI yang biasanya bergantung pada dataset besar dan sangat rapi. Dalam penelitian ini, data yang terbatas dan tidak sempurna justru tetap bisa dipakai untuk membangun gerakan robot yang efektif.
Peneliti memanfaatkan data gerak manusia yang direkam di ruang terbatas. Lalu, AI menerjemahkan pola itu menjadi gerakan yang sesuai dengan anatomi dan batas mekanik robot.
Hasilnya menunjukkan adanya jembatan yang semakin nyata antara gerak manusia dan eksekusi mesin. Ini penting karena salah satu masalah klasik robot humanoid adalah menyalin kelincahan manusia ke tubuh robot yang struktur dan titik bebannya berbeda.
Hasil uji forehand dan backhand
Sebelum masuk ke lapangan nyata, Unitree G1 lebih dulu berlatih di lingkungan simulasi. Dalam tahap ini, peneliti menambahkan variabel acak untuk meniru kondisi dunia nyata yang penuh ketidaksempurnaan.
Metode simulasi seperti ini sering dipakai dalam robotika modern untuk mengurangi kesenjangan antara latihan virtual dan performa lapangan. Pada Unitree G1, pendekatan itu terbukti cukup efektif saat diuji pada permainan sebenarnya.
Berdasarkan data yang dirujuk dari laporan AI Grid, robot ini mencatat tingkat keberhasilan 91 persen untuk pukulan forehand. Sementara itu, tingkat keberhasilan backhand mencapai 78 persen.
Perbedaan angka tersebut menunjukkan bahwa tidak semua jenis pukulan punya tingkat kesulitan yang sama bagi robot. Backhand kemungkinan menuntut koordinasi sudut tubuh, timing, dan penyesuaian raket yang lebih rumit.
Mengapa riset ini penting di luar olahraga
Pencapaian Unitree G1 tidak hanya relevan untuk dunia tenis. Inti inovasinya justru terletak pada kemampuan robot belajar dari data murah, terbatas, dan tidak sepenuhnya ideal.
Jika metode seperti ini terus berkembang, biaya pelatihan robot dapat ditekan. Itu membuka peluang penerapan robot humanoid di lebih banyak sektor tanpa ketergantungan pada proses pengumpulan data yang panjang dan mahal.
Beberapa bidang yang dinilai berpotensi memanfaatkan pendekatan ini antara lain:
- Olahraga lain seperti sepak bola atau parkour yang menuntut kelincahan tinggi.
- Sektor industri, termasuk operasi gudang, perakitan presisi, dan respons bencana.
- Aktivitas kreatif dan teknis seperti tari, bela diri, hingga prosedur medis tertentu.
Dalam skenario industri, robot yang mampu belajar dari data terbatas akan lebih cepat diadaptasi ke lingkungan kerja baru. Hal ini penting untuk tugas yang berubah-ubah dan sulit diprogram secara kaku dari awal.
Arah pengembangan berikutnya
Peneliti juga menyiapkan tahap lanjutan untuk meningkatkan otonomi robot. Salah satu target utama adalah mengganti sistem motion capture eksternal dengan kamera dan sensor bawaan di tubuh robot.
Langkah itu akan membuat robot lebih mandiri saat beroperasi. Robot tidak lagi bergantung pada infrastruktur pelacakan khusus, sehingga lebih realistis dipakai di lingkungan nyata yang dinamis.
Riset lanjutan juga diarahkan ke skenario multi-agen. Ini mencakup kemungkinan robot bermain tenis ganda atau bekerja sama dalam tugas tim lain yang membutuhkan koordinasi antarmesin.
Perkembangan tersebut memberi sinyal bahwa robot humanoid tidak hanya diarahkan untuk demonstrasi teknologi. Dengan kombinasi AI adaptif, desain mekanik presisi, dan sensor onboard, platform seperti Unitree G1 berpotensi dipakai untuk pekerjaan lapangan yang menuntut respons cepat, koordinasi kompleks, dan kemampuan beradaptasi terhadap kondisi yang tidak sepenuhnya bisa diprediksi.
