Top-tafeltennisspelers verslaan met een autonome robot

Robots betreden het sportpodium

Stel je voor dat je tegenover een robot aan een tafeltennistafel staat en ontdekt dat die niet alleen met je kan rallyen, maar ook ervaren tegenstanders kan verslaan. Dit artikel presenteert Ace, een autonome tafeltennisrobot die speelt op het niveau van top menselijke atleten. Meer dan een coole sportgadget is Ace een voorproefje van een toekomst waarin machines bliksemsnelle, fysieke interacties met mensen aankunnen in alledaagse omgevingen, van fabrieken tot huisassistenten.

Waarom tafeltennis een zware proef is

Tafeltennis is veel veeleisender dan het op televisie lijkt. In topniveau kan de bal sneller dan 20 meter per seconde bewegen, en spelers hebben soms minder dan een halve seconde tussen slagen om te zien, beslissen en te bewegen. Naast snelheid buigt de draai van de bal—de snelle rotatie—de baan door de lucht en verandert hoe de bal van tafel en racket stuitert. Spins kunnen meer dan 1.000 radialen per seconde bedragen, waardoor slagen afwijken of moeilijk voorspelbaar van de tafel afkaatsen. Eerdere tafeltennisrobots vermeden veel van deze complexiteit door ballen af te schieten met eenvoudige machines, kleinere speelruimtes te gebruiken of spin grotendeels te negeren. Ace confronteert in plaats daarvan de volledige uitdaging van echte wedstrijden gespeeld met standaarduitrusting en officiële regels.

Een snel bewegende bal in realtime zien

Om met zulke snelheden om te gaan heeft Ace uitzonderlijk zicht nodig. Het systeem gebruikt negen conventionele camera’s rond een Olympisch formaat speelveld om de bal in drie dimensies te volgen. Deze camera’s meten de positie van de bal ongeveer 200 keer per seconde met millimeterniveau nauwkeurigheid en slechts een paar duizendsten van een seconde vertraging. Positie alleen is echter niet genoeg. Spin is cruciaal in serieus spel, dus gebruikt Ace ook drie gespecialiseerde “gaze control”-eenheden, elk een combinatie van een snel event-based sensor, stuurspiegels en een telelens. In plaats van volledige beelden op te nemen, registreren deze sensoren alleen helderheidsveranderingen per pixel en produceren zij stromen van kleine “events” die beweging met extreem weinig onscherpte vastleggen. Door deze events in een neuraal netwerk en een tweede, preciezere algoritme te voeren, schat Ace hoe snel en in welke richting de bal roteert—tot meerdere honderden keren per seconde. Het systeem mengt deze metingen en kiest op elk moment de beste schatting, waarna ze naar de besturingssoftware gaan die bepaalt hoe de robot moet bewegen.

Hoe de robot zijn slagen kiest en uitvoert

Het “brein” van Ace bestaat uit een set besturingspolicies geleerd met deep reinforcement learning, een methode waarbij software verbetert via virtuele trial-and-error. In simulatie oefent de robot herhaaldelijk het terugslaan van individuele slagen, aangestuurd door een beloningssignaal dat succesvolle returns met specifieke kenmerken bevoordeelt, zoals sterke topspin of precieze landingsplaatsen. Een slimme wending in het trainingsproces laat het leeralgoritme perfecte gesimuleerde informatie achter de schermen gebruiken, terwijl de policies zelf alleen ruisachtige, realistische sensorlezingen zien, waardoor ze soepel naar de echte wereld overgaan. Tijdens een rally ontvangt Ace elke 32 milliseconden een bijgewerkte geschiedenis van bal- en robottoestanden, kiest een van meerdere geleerde “skills” en genereert een abstracte actie. Deze actie wordt vervolgens door een optimalisatieroutine omgezet in een gedetailleerde, vloeiende gewrichtstraject die snelheidbegrenzingen respecteert en botsingen met tafel of robot voorkomt. Tegelijkertijd bereidt een andere planner voortdurend een veilige “reset”-beweging voor zodat de arm snel kan herstellen en klaar is voor de volgende slag.

Maatwerklichaam voor atletisch spel

Om menselijke behendigheid te benaderen ontwierp het team een speciale robotarm met acht gewrichten—twee schuifgewrichten en zes roterende—die precies genoeg bewegingsvrijheid biedt om het racket te positioneren, te kantelen en te zwaaien als een bekwame atleet. De arm is gemaakt van lichtgewicht, sterke metalen structuren die door computeralgoritmen zijn geoptimaliseerd en additief vervaardigd, waardoor snelle beweging mogelijk is zonder stijfheid te verliezen. Het uiteinde van de arm draagt een reglementair racket en een klein bakje dat de bal vasthoudt voor eenarmige opslag, in overeenstemming met aanpassingen toegestaan in de officiële regels. Alle actuatoren zijn gesynchroniseerd om elke milliseconde te reageren, en het visionsysteem deelt dezelfde timing, waardoor waarneming en beweging nauw op elkaar zijn afgestemd. Op het laagste niveau gedraagt de robot zich op een eenvoudige en voorspelbare manier, met vertragingen beperkt tot enkele milliseconden zelfs op topsnelheid, wat cruciaal is voor het raken van ballen die in fracties van een seconde aankomen.

Hoe Ace het deed tegen menselijke experts

De onderzoekers testten Ace in april 2025 tegen vijf elite-spelers—ervaren concurrenten met meer dan een decennium intensieve training—en twee professionals uit Japan’s hoogste competitie. Wedstrijden volgden internationale regels, met standaardtafels, netten en ballen, en werden beoordeeld door gelicentieerde scheidsrechters. Ace speelde best-of-three wedstrijden tegen de elitegroep en best-of-five tegen de professionals. Het won drie van de vijf wedstrijden tegen de elite-spelers en pakte een game van een van de professionals. Tijdens de wedstrijden opgenomen data tonen dat Ace betrouwbaar slagen retourneert tot ongeveer 14 meter per seconde en een breed scala aan spins aankan met terugkeerratio’s boven 75 procent tot aanzienlijke spinwaarden. Vergeleken met de mensen vertrouwt Ace niet op uitzonderlijk snelle slagen om punten te winnen. In plaats daarvan lijken zijn “gewonnen” slagen qua snelheid en spin sterk op zijn reguliere returns, wat suggereert dat consistentie—de bal telkens weer op tafel krijgen—zijn belangrijkste kracht is. De robot slaat de bal ook meestal eerder na de stuit, en zijn zorgvuldig ontworpen services leveren tegen elite-spelers meer directe punten, of “aces”, op dan de mensen in return weten te produceren.

Wat dit betekent buiten de pingpongtafel

Ace laat zien dat een fysieke robot, niet slechts een computerprogramma, nu menselijke experts kan uitdagen in een snel, interactief sportspel zonder de regels te vereenvoudigen. Voor niet-specialisten is de belangrijkste conclusie niet alleen dat een machine indrukwekkend tafeltennis kan spelen; het is dat de combinatie van snelle sensing, geleerd besluitvorming en wendbare hardware reële taken aan kan op het grensgebied van menselijke reactietijd. Dezelfde technieken kunnen uiteindelijk helpen dat robots veilig naast mensen werken op fabriekvloeren, dat ondersteunende apparaten coördineren met de bewegingen van gebruikers, of dat nieuwe trainingshulpmiddelen atleten op manieren pushen die eerder onmogelijk leken. Hoewel het modelleren van menselijke strategie en langetermijntactieken een uitdaging blijft, markeert Ace een belangrijke stap richting fysieke AI-systemen die onze ruimtes kunnen delen en in realtime op ons kunnen reageren.

Bronvermelding: Dürr, P., El Gheche, M., Maeda, G.J. et al. Outplaying elite table tennis players with an autonomous robot. Nature 652, 886–891 (2026). https://doi.org/10.1038/s41586-026-10338-5

Trefwoorden: robot tafeltennis, fysieke AI, versterkend leren, event-based vision, mens–robot interactie