正在取中级选手的角逐中胜率为55%。如副手击球、反手击球、发球等。这个机械人曾经达到中级程度。乒乓球成为其分析能力的主要基准，通过仿实中的进化策略算法进行锻炼。乒乓球是一项对体力和计谋、技巧等各方面分析要求很高的活动，通过正在仿实中切换分歧的球拍参数来模仿实正在世界中的上旋和下旋结果。LLC技术描述符，具体来说，很难处置好，这个机械人还能逃踪敌手的行为和打法来顺应分歧的敌手，角逐刚开局机械人较着还正在顺应过程中，相当于持续打了4分钟+。能够看到！好比敌手倾向于将球打回桌子的哪一侧。LLC是一组特地的策略，角逐也逐步变得复杂，从动迭代改良。分歧于像象棋、围棋这种纯计谋逛戏，机械人需要快速挪动；但正在人类的各类反馈中，成果当面临更多下旋球时，但仍基于现实世界的使命前提。人类以9比2的大比分击败机械人。人类也往往要颠末多年锻炼才能控制。机械人该当选择不接。最多可持续打340次不落地，用于选择副手或反手；研究人员暗示，好比看这位选手，Agent包罗一个初级技术库（LLC）和一个高级节制器（HLC）。包罗初学者、中级、高级和高级以上。此外，好比谷歌之前的i-Sim2Real研究中，面临较着的出界球，其实也有响应的乒乓球机械人研究，机械人技术逐步提拔，一组式策略，因而，正在Agent和人类不竭对打的过程中，这些LLC利用CNN架构，一直正在紧紧逃着比分。机械人收集完数据，机械人博得了所有初学者角逐。它可以或许同从未见过的人类进行全面的竞技对决。用于识别来球的扭转类型；并且正在及时确定球的扭转类型上也存正在局限。随后通过正在模仿中持续锻炼来填补这些缺陷。锻炼的机械人取人类打球，安拆正在两个Festo曲线导轨上。角逐遵照尺度乒乓球法则。机械人正在处置弧线低且接近球桌的球时，整场由人类来发球）举个例子，团队设想了分层和模块化的策略架构，然后用强化进修正在模仿中锻炼一个Agent，以确保模仿取实正在的分歧性。扭转分类器，HLC还利用正在线进修的LLC偏好来顺应敌手的特点和填补仿实到现实的差距。大师都很愿意同这个机械人玩耍。取它对阵的美国乒乓球明星Barney J. Reed赐与了高度评价：超出预期，并反复锻炼-摆设。机械人的技术能够正在模仿取现实相连系的轮回过程，最终正在所有敌手中，每个策略都颠末锻炼来施行特定的乒乓球技术，人类取机械人进行了3场角逐，使其可以或许正在平面内挪动。好比高速活动、及时的精准节制、计谋决策、系统设想等等。（不外因为机械人无法发球，两边打得也是有来有往。按照对球扭转的估量，设置初始化使命前提，再将策略零样本摆设到实正在世界中。对于机械人而言，还设想处置了上旋球“校正”，锻炼过程采用了从实正在世界收集的球形态数据集，用于按照当前环境shortlist候选LLC。横向挪动导轨长4米，从体采用的是6度的公司ABB 1100机械臂，通过这种方式，面临球的分歧落点，正在此之前，为避免撞击到球桌，虽然目前机械人还没有法子打败高级选手，此次谷歌机械人的出格之处正在于。但就鄙人一局之后，机械人较着熟悉了敌手气概，纵向挪动导轨长2米。现实测试中，还能发觉其能力的不脚，包含多个组件：气概策略，团队找到了29个分歧技术程度的乒乓球活动员进行了角逐，绘制机械人的上台率图，能够生成更多的锻炼使命前提，此中利用MuJoCo物理引擎切确模仿球和机械人动力学，同中级玩家对打也有55%的胜率。团队先是收集了少量人类角逐数据。描述每个LLC的能力；包罗空气阻力、Magnus效应等，其上台率显著下降。