Sejak lama, olahraga telah menjadi ujian utama bagi robot. Contoh terkenal dari acara ini adalah turnamen sepak bola RoboCup tahunan, yang dimulai pada pertengahan tahun 1990an. Tenis meja telah memainkan peran utama dalam bidang robotika sejak dekade terakhir. Permainan ini antara lain memerlukan kecepatan, refleks, dan strategi.
Dalam makalah yang baru diterbitkan berjudul “Menemukan Tenis Meja Manusia yang Sukses”, Tim Robotika DeepMind Google mempresentasikan karyanya pada permainan tersebut. Para peneliti telah berhasil mengembangkan “pemain tingkat manusia” ketika berhadapan dengan domain manusia.
Dalam pengujiannya, bot tenis meja berhasil mengalahkan seluruh pemain pemula yang ditemuinya. Dengan rata-rata pemain, robot memenangkan 55% permainan. Namun mereka belum siap mengambil keuntungan. Robot kalah setiap kali menghadapi pemain top. Secara keseluruhan, mesin tersebut memenangkan 45% dari 29 pertandingan yang dimainkan.
Surat kabar tersebut mengatakan: “Ini adalah latihan bertenaga manusia pertama dan merupakan terobosan besar dalam pembelajaran dan pengendalian robot.” “Namun, ini hanyalah sebuah langkah kecil menuju tujuan jangka panjang dalam robotika untuk mencapai kinerja seperti manusia dalam utilitas kelas dunia. Masih banyak pekerjaan yang harus dilakukan untuk mencapai kinerja seperti manusia dalam satu tugas, dan kemudian lebih jauh lagi, dengan membuat robot yang dapat melakukan banyak tugas berguna, secara efisien dan aman bersama manusia di dunia.”
Kelemahan terbesar sistem ini adalah kemampuannya menangani fastball. DeepMind berpendapat bahwa alasan utama hal ini adalah latensi sistem, pemulihan yang tepat di antara pengambilan gambar, dan kurangnya data yang berguna.
“Untuk mengatasi masalah latensi yang menghalangi robot melakukan pengejaran bola, kami mengusulkan untuk mengeksplorasi strategi kontrol dan optimalisasi perangkat keras,” kata para peneliti. “Hal ini dapat mencakup eksplorasi model prediktif untuk memprediksi pergerakan bola atau menerapkan sistem komunikasi cepat antara sensor dan aktuator robot.”
Hal lain yang dapat dimanfaatkan dengan sistem ini adalah tinggi rendahnya bola, backhand dan kemampuan membaca putaran bola yang masuk.
Mengenai bagaimana penelitian tersebut dapat mempengaruhi robotika di luar nilai terbatas tenis meja, DeepMind juga mengutip prinsip desainnya, penggunaan simulasi yang menggunakan permainan nyata, dan kemampuannya untuk mengubah strateginya secara real time.
