人類如何學會打網球反手？不是透過觀看數千小時的電視比賽，而是在教練的指導下反覆練習。來自arXiv的一項新研究認為，這正是教人形機器人掌握動態技能的正確方法。研究人員提出了TaskNPoint訓練協議，其核心理念源於動態技能的結構屬性：技能的執行結果往往由軌跡中一個短暫但關鍵的部分決定——以網球反手為例，就是球拍在擊球點附近約20釐米的行程。只要這個互動視窗處理得當，整個動作就能協調一致，讓控制、物理和形態學協同工作。
TaskNPoint協議明確劃分了人類教練和機器學習的職責。人類教練只需提供四項輸入：一組離散的技能（如不同的擊球方式）、每個技能的一次演示、互動視窗的識別以及目標。機器學習則在物理逼真的模擬環境中填充每個動作軌跡，並增強對未建模事件的魯棒性。更重要的是，訓練過程中的隨機目標取樣使得單次演示能夠零樣本泛化到未見過的目標位置。
研究團隊在Unitree G1人形機器人上測試了該方法。機器人成功執行了多種動態任務，包括正手和反手擊打人類丟擲的網球、踢飛來的足球，以及從新位置取放箱子。實驗表明，僅需簡短的人類影片演示和在單個GPU上不到一小時的訓練，機器人就能學會這些技能，且無需針對每項任務進行獎勵調整。這一成果為快速、高效地教授人形機器人複雜物理技能開闢了新路徑。
TaskNPoint的核心思想是利用動態技能的結構特性，即技能的關鍵在於軌跡中一個短而關鍵的互動視窗。對於反手擊球，這大約只有20釐米的球拍行程。只要機器人學會在該視窗內正確執行動作，整個技能就能成功。這種思想類似於人類在教練指導下反覆練習特定環節，而不是盲目地重複整個動作。
該協議的另一亮點是它的實用性。人類教練無需具備程式設計或機器人專業知識，只需提供簡單的演示和識別互動視窗。這使得非專家也能參與機器人的技能培訓，降低了應用門檻。同時，由於訓練可在單GPU上一小時內完成，該方法非常適合快速迭代和部署。
未來的工作可能包括在更復雜的任務和多機器人協作中驗證該協議，以及將其擴充套件到更廣泛的動態技能領域。TaskNPoint為機器人的技能學習提供了新的思路，使機器人能夠像人類一樣透過少量指導和練習掌握新技能。