上一页 | 返回首页

News

后黄仁勋时代的物理AI范式转移与体育具身智能应用研究:从人机品势对抗到多模态智能陪练的体系构建

2026-11-13

导读

        2026年11月12日,执掌英伟达33年的创始人黄仁勋卸任,全球人工智能与具身智能产业正迈入“后布道者时代”。当算力供给体系面临全球化重构、通用大模型向物理世界加速渗透,大众体育产业凭借其明确的规则约束、高动态交互需求与多元的商业应用场景,正成为具身智能技术落地的重要验证场域。本文将系统回顾黄仁勋在AI算力与物理智能领域的技术积淀,梳理国际体育具身智能文献脉络,提出“S-P-G-E”四层控制模型,并完整拆解从“机器人租赁+动捕采集”到“GPU仿真训练+真机合规落地”的体育机器人六步开发实操路径,为全球产学研各界开拓负责任的体育科技新领域提供系统参考。

摘要

        随着英伟达联合创始人兼首席执行官黄仁勋结束长达33年的任期,全球人工智能与机器人产业正步入“后布道者时代”的战略重构期。黄仁勋在任期间奠定了现代深度学习与生成式AI的算力基石,并确立了“物理人工智能”(Physical AI)的产业共识。其围绕Jetson端侧计算、Isaac仿真环境、Cosmos世界基础模型与GR00T通用机器人基础模型构建的垂直整合技术栈,已将具身智能从碎片化的工程实验推向规模化的基础设施建设阶段。面对全球算力供给格局演变与多元计算生态协同发展的产业背景,大众体育竞技与日常训练凭借其高动态交互、强规则约束及显著的社会与商业价值,成为具身智能落地的典型应用场景。
        本文在回顾黄仁勋历史贡献与综述全球核心文献的基础上,提出面向体育高动态场景的“感知-推演-博弈-执行”(S-P-G-E)双系统具身控制模型框架;深入论证“机器人跆拳道人机品势(Poomsae)对抗新赛制”“多项目(跆拳道、拳击、棍网球、板球)具身智能陪练系统”与“大众观赏性机器人格斗联赛”三大应用课题;系统制定涵盖第三方硬件租赁(如擎天租等专业机器人租赁平台)、跨平台GPU并行仿真、专业动捕采集的六步开发规范,并确立严格恪守体育精神、严禁超出人类安全极限及严守和平非军事化边界的伦理合规准则。

关键词: 黄仁勋;人工智能算力;物理人工智能;体育具身智能;大众体育;跆拳道品势;智能陪练;体育伦理合规

一、 时代变局:黄仁勋的AI与物理智能积淀及体育赛道的破局逻辑

        核心看点:黄仁勋留下的不仅是现代AI的算力基石,更是一套“数据—仿真—模型—端侧”的完整机器人研发基础设施。在多元算力协同与垂直场景商业化双轮驱动下,大众体育正成为具身智能务实的落脚点。

1.1 三十三年技术演进:从AI算力基石到“物理人工智能”范式

        1993年,黄仁勋联合创立英伟达,最初专注于计算机3D图形渲染(Witt, 2023)。2006年,他力排众议推出CUDA并行计算架构,将GPU从单一图形芯片转化为通用并行计算底座(Nickolls et al., 2008)。2012年,AlexNet依托GPU并行算力在ImageNet竞赛中取得历史性突破,自此开启了现代深度学习的黄金十年(Krizhevsky, Sutskever and Hinton, 2012)。在随后十余年间,黄仁勋主导构建了从Tensor Core专用张量计算单元、NVLink高速互联到DGX超级计算系统的全栈AI基础设施,为大语言模型(LLM)及生成式人工智能(Generative AI)的爆发提供了核心算力引擎,深刻重塑了全球信息产业的技术范式。
        近年来,黄仁勋敏锐地预见到人工智能从数字空间走向物理世界的历史拐点,提出“物理人工智能”(Physical AI)的产业愿景——即让AI理解重力、摩擦力与惯性等物理规律,预测环境变化,并驱动实体机器安全地与真实世界交互(Huang, 2024)。为此,他主导构建了四层机器人技术基础设施:
        第一层:Jetson 端侧计算平台。 从Jetson Orin到Jetson Thor,为机器人在有限功耗下完成视觉感知、状态估计与大模型实时推理提供边缘算力底座(NVIDIA, 2025a)。
        第二层:Isaac 仿真与训练平台。 通过Isaac Sim与开源强化学习框架Isaac Lab,让开发者在虚拟环境中低成本、零硬件损耗地进行大规模并行训练,缓解真实世界采集数据成本高、风险大的行业痛点(Mittal et al., 2023)。
        第三层:Cosmos 世界基础模型。 利用生成式技术模拟复杂物理场景变化并扩展训练数据,弥补传统预设仿真规则的局限性(NVIDIA, 2025b)。
        第四层:GR00T 通用机器人基础模型。 打通视觉、语言指令与机器人动作,建立覆盖数据采集、模型训练、评测与部署的开放工作流(Bjorck et al., 2025)。

1.2 后黄仁勋时代的全球多元生态与大众体育产业契机

        随着黄仁勋卸任CEO,全球AI芯片与具身智能产业正进入多元架构并行发展的新阶段。除英伟达生态外,全球科技界正积极探索多元化的计算平台与开源工具链,包括北美及欧洲的专用AI加速架构,以及中国产计算平台与开发生态(如地瓜机器人RDK系列、华为昇腾端侧模组及开源仿真引擎)。在这一产业演进期,全球研发团队不必盲目陷入高成本通用大模型的单一算力竞赛,而应依托开放的软硬件生态,切入具备清晰商业逻辑与社会价值的垂直领域。
        现代大众体育产业正是兼具技术挑战与应用潜力的代表性切入点。体育运动对机器人的高频动态平衡、多模态瞬时感知与人机交互安全提出了严苛要求(Liu et al., 2024),同时又能通过赛事IP运营、运动队数字化陪练及全民健身消费实现商业闭环。例如,2026年11月的北京跆拳道超级联赛上首次成功举行了机器人与青少年品势运动员进行人机PK跆拳道品势商业赛项目,数十位运动员付费报名参赛,赛事方在覆盖机器人租赁成本后实现商业盈余,成为跆拳道领域具有示范意义的大众体育具身智能商业赛案例,并提炼出人机PK品势裁判员实操手册、机器人品势赛商业化运营系统等实践成果。

二、 文献综述:国际体育具身智能的四大核心演进脉络

        核心看点:从早期的虚拟角色武术模仿,到如今具备业余选手水平的乒乓球机器人与安全柔顺格斗陪练,全球科研界已在四大关键技术方向取得突破。
        近年来,全球学者围绕体育具身智能开展了深入探索,主要集中在以下四个维度:
        高动态全身运动控制与武术动作生成: Peng等人(2018)提出的DeepMimic框架首次利用深度强化学习,使仿人智能体学会了旋风踢、后空翻等武术动作;其后续提出的AMP(对抗性运动先验)框架,进一步摆脱了对严格相位对齐的依赖,使机器人能够习得自然的格斗步法与重心转移(Peng et al., 2021)。在真机部署层面,Cheng等人(2024)开发的全身表现力控制框架,以及He等人(2024)提出的H2O实时全身遥操作技术,验证了全尺寸人形机器人在执行快速前踢、侧踹等跆拳道动作时的抗冲击稳定性。
        球类运动的高速视觉感知与轨迹预测: D'Ambrosio等人(2024)在《Science Robotics》发表的研究中,通过分层强化学习构建了达到人类业余竞技水平的乒乓球机器人,实现了上旋、削球与扣杀的自适应切换。针对板球与棍网球等大场地高速飞行球体,Ji等人(2023)提出基于物理信息神经网络(PINN)的空气动力学轨迹预测模型,可在球体离手后50毫秒内预判受马格努斯效应影响的弧线落点。
        动作美学评估与AI辅助裁判系统: 在跆拳道品势与武术套路等难美项群中,Liu等人(2023)基于时空图卷积网络(ST-GCN)构建了自动化动作质量评估模型,实现了与国际级裁判高度一致的扣分点识别。Xie等人(2024)进一步将多模态大语言模型引入武道教学,使系统能够生成符合运动生物力学规范的实时纠错指导。
        人机交互安全与柔顺陪练控制: Haddadin等人(2017)系统奠定了物理人机交互(pHRI)中的无传感器碰撞检测与安全控制理论。在此基础上,Wang等人(2025)针对搏击陪练场景设计了变阻抗控制与安全控制屏障函数(CBF),确保机器人在承受重击瞬间主动卸力缓冲,在反击阶段严格限制接触动能,实现“高拟真训练”与“零伤害风险”的统一。

三、 体育具身智能通用模型框架(S-P-G-E 架构)

        核心看点:借鉴GR00T双系统架构,构建“感知—物理推演—认知博弈—柔顺执行”四层闭环,让机器人在赛场上既能“看得清、算得准”,又能“打得稳、收得住”。
针对体育场景中“动作高精度规范”与“对抗高动态博弈”的双重需求,本文提出“感知-推演-博弈-执行”(S-P-G-E)四层闭环技术模型:
        多模态时空感知层(Sensing): 融合头部双目RGB-D相机、微秒级响应的事件相机(Event Camera,消除高速拳腿与球体运动模糊)、穿戴式电子护具柔性压力阵列及高精度IMU,实时重构对手与球体的6D位姿。
        物理规律推演层(Physics World Model): 在仿真引擎中嵌入场地摩擦系数、空气阻力与护具弹性参数,利用轻量化世界模型在潜在空间并行推演未来0.5秒内的物理状态演化(如板球反弹弧线或对手组合拳落点),实现超前预判。
        双系统认知博弈层(Cognitive Gaming): 借鉴认知科学双系统理论,由“慢系统(System 2,基于多模态大模型)”负责全局战术规划与规则理解,由“快系统(System 1,端到端策略网络)”负责毫秒级条件反射、步法闪避与攻防节奏切换。
        柔顺全身执行层(Compliant Execution): 采用“模型预测控制(MPC)+ 强化学习残差策略 + 变阻抗柔顺控制”的三级混合控制器,并植入安全控制屏障函数(CBF),严格锁定关节力矩上限与接触动能阈值。

四、 三大前沿应用课题与全球市场拓展方向

        核心看点:聚焦“跆拳道人机品势PK”“多项目智能陪练”与“大众机器人格斗联赛”,打通从科研课题到大众体育消费的商业闭环。

课题一:机器人跆拳道“人机品势(Poomsae)对抗”新赛制

        传统跆拳道品势比赛采用选手依次演练、人工主观打分模式,大众观赏性有待提升。本课题旨在打造“人机同场品势PK新赛制”:
        动作无损重定向: 将世界跆拳道联盟(WT)标准品势(如太极一至八章、高丽、金刚等)的冠军动作捕捉数据,精准映射到人形机器人关节空间,攻克横踢高度与马步重心控制难题。
        发力韵律与“气合”同步: 通过精细调节关节加速度与制动阻尼,复现人类品势演练中“刚柔并济、寸劲爆发”的视觉张力,并在动作定格瞬间同步触发声学模块发出“气合”(Kihap)呐喊。
        双盲AI量化执裁: 建立基于3D骨骼关键点比对的透明评分引擎,从动作准确度与表现力两个维度对人类选手与机器人同标准打分,设立“人机同步默契双人赛”与“人机竞技对抗赛”,服务于全球青少年武道培训考级与商业表演赛市场。

课题二:多项目(跆拳道、拳击、棍网球、板球)具身智能陪练系统

        针对专业运动队“高水平陪练稀缺、人工陪练易疲劳”以及大众健身“缺乏专业交互对手”的痛点,开发模块化智能陪练系统:
        跆拳道与拳击陪练: 机器人穿戴内置柔性压力传感阵列的电子护具,支持“移动靶位喂招模式”(动态调整脚靶/手靶角度,量化测试运动员反应时与击打力度)与“战术模拟实战模式”(安全复现特定对手的假动作与反击节奏)。
        棍网球(Lacrosse)与板球(Cricket)陪练: 研发具身球类机器人,实现棍网球高速接传与板球拟人化投球及生物力学分析,契合北美、英联邦及全球新兴体育市场需求。

课题三:大众观赏性机器人格斗(Robot Combat)商业联赛

        摒弃早期轮式机器人“以机械破坏、零件飞溅为卖点”的粗放模式,打造“以武道礼仪、点数击打与摔法控制为核心”的全尺寸人形机器人自主格斗联赛:
        高自主性竞赛规则: 严禁全程人工遥控,要求比赛90%以上时间由机器人端侧AI自主感知与博弈决策,仅允许局间休息时由技术团队通过自然语言或战术参数调整策略。
        动态抗冲击与自主起身: 研发全身跌倒保护与多模态快速起身策略,使机器人在被击倒后能在3秒内平稳翻滚起身,显著提升赛事连贯性与媒体转播的商业价值。

五、 体育机器人应用落地的六步标准开发流程

        核心看点:如何低成本启动体育具身智能研发?通过“专业平台租赁硬件 + 动捕采集数据 + 跨平台GPU大规模仿真 + 实机合规部署”,科研团队与中小科技企业均可高效跑通商业闭环。
        为避免重资产盲目投入、降低技术试错成本,科研团队与体育科技企业可遵循以下六步标准开发路径:

第一步:轻资产硬件获取——善用第三方机器人租赁平台(如擎天租)

        在研发初期与赛事验证阶段,应避免盲目采购高成本的全尺寸人形机器人整机。团队可通过“擎天租”等专业机器人租赁与算力服务平台,按天、按月或按项目周期灵活租赁主流人形机器人(如宇树G1/H1、智元远征系列及国际主流人形平台)与高精度传感器套件。通过“以租代买”,既能快速在真实硬件上验证步态与动作控制算法,又能根据不同体育项目(如品势侧重高自由度下肢、板球侧重高爆发力上肢)随时更换适配机型,大幅降低初期硬件资金占用。一些机器人租赁平台提供定制开发服务,赛事方提供的跆拳道品势视频提供给机器人租赁平台的工程师,他们会负责部署与调试机器人,并派遣工程师到赛场现场全程执行跆拳道品势机器人的操作,一些机器人租赁平台还提供配套的保险服务。

第二步:专业运动数据采集——多模态动作捕捉(MoCap)与生物力学标定

        高质量体育数据是模型训练的基石。研发团队需联合体育院校或专业俱乐部,邀请高水平运动员穿戴光学动作捕捉系统(如Vicon、OptiTrack)或高精度惯性动捕服(如Xsens、诺亦腾),同步采集表面肌电(sEMG)与测力台数据。针对跆拳道品势套路、拳击组合拳、棍网球挥杆及板球投球等动作,建立涵盖标准动作与常见错误动作的精细化运动学数据库,并进行关节力矩与重心轨迹的生物力学标定。

第三步:大规模并行仿真训练——多源GPU算力协同与域随机化

        利用采集到的动捕数据,在物理仿真环境中进行“动作重定向(Motion Retargeting)”与大规模强化学习训练:

        多元算力底座选型: 有条件的开发团队可基于NVIDIA GPU(如RTX 4090等)搭建Isaac Sim / Isaac Lab仿真环境,开启数千个并行智能体进行域随机化训练;同时,为提升算力供应链韧性并优化成本结构,建议同步适配包括中国产GPU算力集群(如华为昇腾、壁仞科技、摩尔线程、沐曦等)在内的多元计算平台及开源物理引擎,完成仿真策略的跨平台迁移与验证。

        全球多元算力架构特征对比:
从“单芯片性能”向“集群系统互联”演进: 英伟达的核心优势在于先进的单卡芯片架构与成熟的CUDA软件生态;而新兴算力厂商(包括中国产芯片团队)正通过机柜级高密集成、高速光互联与超节点架构(SuperPoD)持续提升系统级算力效率。

        推理场景高度成熟,超大规模预训练持续演进: 在具身智能模型推理(Inference)及垂直领域微调场景中,多元算力集群的吞吐量与能效比已展现出良好的实用性;而在万亿参数级从头预训练(Pre-training)中,大规模集群通信效率与底层算子生态仍在持续完善。

        开放兼容与全栈体系并行: 全球计算生态正逐步形成“通用GPU(类CUDA兼容)生态”与“垂直全栈加速体系”并行的格局,主流深度学习框架的跨平台双向适配正在显著降低开发者的迁移门槛。

        虚拟对抗与数据增强: 在仿真器中引入空气阻力、场地摩擦力随机扰动及虚拟对手攻击,通过数千万次的虚拟试错,让机器人自主习得抗干扰平衡与高动态反应策略,实现“零真机损坏风险”。根据中国深圳市跆拳道协会2026年7月训练宇树G1机器人演练跆拳道品势的实操经验,地砖、木地板的地面防滑性能弱于地毯,即便在专业跆拳道垫子上打品势,G1机器人仍可能出现脚下滑动,因此必须在仿真阶段充分加入地面摩擦系数的随机化扰动训练。

第四步:端侧模型轻量化与边缘计算部署

        仿真训练收敛后,需将复杂的视觉-语言-动作(VLA)模型与运动控制策略进行知识蒸馏与INT8/FP16量化压缩,使其参数规模适配端侧实时推理要求(控制周期达1000 Hz)。随后将策略部署至机器人机载计算单元——既可使用NVIDIA Jetson Orin/Thor模组,也可部署在地瓜机器人RDK系列、昇腾边缘计算盒等边缘计算硬件上,实现离线状态下的毫秒级低延迟响应。

第五步:虚实迁移(Sim-to-Real)与安全护具实机调试

        将算法烧录至租赁或自研的真机后,必须在配备防摔吊装保护架、高密度缓冲地垫的封闭测试场内进行阶梯式调试:
        先进行无接触空击与静态平衡测试;
        再穿戴内置压力传感器的柔性防撞护具,进行低速人机交互测试;
        逐步放开运动速度与响应灵敏度,利用真机运行日志反哺仿真器物理参数校准,缩小“仿真到现实”的动力学误差。

第六步:场景化试点运营与商业模式验证

        完成安全认证后,将体育机器人投入B端(专业运动队训练基地、商业体育场馆、大型赛事开幕式表演)与C端(青少年武道培训考级中心、智慧社区健身房)开展试点运营。通过“设备租赁服务费 + 赛事IP版权分成 + AI运动处方会员订阅”构建多元盈利模式,并用真实用户交互数据持续迭代算法模型。

六、 负责任地开展研究:体育精神恪守与伦理安全红线

        核心看点:科技赋能体育的初心是“以人为本、促进人类全面发展”。任何体育机器人的研发与市场化,必须严格划清和平民用边界、尊重体育伦理、守护人身安全。
        在推进体育具身智能技术创新与全球市场开拓的过程中,所有科研机构与企业应严格恪守以下四大负责任研发准则:

1. 严格限定大众体育与健康领域,严禁涉足军警特种用途

体育具身智能的研发初衷是服务于全民健身、竞技体育辅助训练与文体娱乐消费。技术团队必须建立严格的用途审查机制,坚决不涉及任何军用、警用、安防镇暴或特种作战相关的格斗、投掷及对抗技术研究,确保所有算法模型、传感器配置与机械结构设计纯粹服务于阳光、健康的大众体育场景。

2. 尊重竞技体育精神,杜绝“机械碾压”与异化竞争

体育的核心魅力在于人类挑战自我极限的拼搏精神与公平竞争原则。在设计“人机品势PK”或“人机对抗演示”赛制时,严禁追求超越人类生理极限的暴力速度、破坏性打击力量或作弊式算力碾压。机器人的运动参数(如最大击打动能、移动速度、反应延迟)必须通过软件锁定在“人类同级别运动员的合理区间”内,定位为“激发人类潜能的智慧伙伴与标尺”,而非取代或贬低人类运动员。

3. 坚持“安全第一”的物理交互底线(Zero-Harm Principle)

在拳击、跆拳道陪练及人机同场竞技场景中,必须实施“硬件被动柔顺 + 软件主动安全”双重冗余设计。机器人全身外覆高吸能医用级硅胶与发泡缓冲材料,消除尖锐棱角;控制系统中内置最高优先级的安全控制屏障函数(CBF)与物理急停机制,一旦检测到与人类接触力超过安全阈值或发生重心失稳,必须在10毫秒内切断动力输出并执行主动卸力保护,确保对青少年及专业运动员零伤害。

4. 保障运动员数据隐私与算法公平透明

在采集运动员动捕数据、生理指标及训练视频时,必须严格遵守全球通行的个人数据保护法规(如GDPR、《个人信息保护法》等)与体育伦理规范,履行知情同意程序并对生物特征数据进行脱敏加密存储;AI裁判评分算法应保持高度可解释性与透明化,接受国际及各单项体育协会与公众监督,防范算法偏见。

七、 国际开源可用样本数据集汇总

        为方便全球科研团队与开发者快速开展体育具身智能算法训练,本文整理了六大主流开源数据集资源(均支持学术及合规大众体育研发调用):
        PhysicalAI-Robotics-GR00T-X-Embodiment(NVIDIA发布): 涵盖超40万小时第一人称人类视频与2.35万小时多构型机器人遥操作轨迹,适用于通用人形动作先验与手眼协调训练(Apache 2.0 / 开放模型协议)。
        AMASS(德国马普所发布): 整合超40个动捕库,包含逾11,000段高精度3D人体SMPL参数化运动序列(含武术、踢击、挥拍),是跆拳道品势动作重定向的核心基础库(学术免费注册下载)。
        Motion-X / KungFu-Motion(港中文/IDEA研究院等发布): 包含超8万段全身3D人体姿态与文本描述,专门收录大量中国武术、跆拳道与搏击精细手部/腿部动作,适用于VLA指令微调(CC BY-NC 4.0开源)。
        LAFAN1 & HumanML3D(Ubisoft / 阿尔伯塔大学发布): 提供高质量跑跳、闪避、急停转身及格斗步法动捕数据,配有多粒度自然语言标注,适用于格斗机器人动态平衡与步法生成(MIT开源协议)。
        SportsMOT & Cricket-Tracking(南京大学等联合发布): 多视角高帧率体育赛事视频库,包含运动员全身关键点追踪及高速球体(板球、网球等)3D空间轨迹,适用于棍网球与板球轨迹预测(MIT / CC BY 4.0开源)。
        Humanoid-Gym / Isaac-Gym Sports Benchmarks(NVIDIA / 上海AI实验室等发布): 开源仿真环境与预训练策略权重,内置双足跑跳、抗扰动恢复及球类击打仿真基准,支持快速开展Sim-to-Real训练(BSD-3-Clause / Apache 2.0开源)。

八、 结语与未来展望

        黄仁勋用三十三年时间为全球人工智能产业奠定了从深度学习算力到物理世界的双重基石,而“后黄仁勋时代”的产业演进,已从单一的芯片算力比拼转向“开放多元算力生态 + 垂直场景深度落地”的综合发展。
        在大众体育这片充满激情与活力的领域,具身智能技术正迎来广阔的发展空间。通过“轻资产租赁起步、动捕数据驱动、全球多元GPU并行仿真、严守体育伦理与和平安全底线”的科学开发路径,各国科研机构与科技企业完全有能力共同打造出具有国际影响力的机器人跆拳道品势新赛制、全天候多项目智能陪练系统与绿色观赏性机器人格斗联赛,真正实现以负责任的科技创新赋能全球体育事业与人类健康生活。

参考文献(哈佛学术规范 / Harvard Referencing Style)

Bjorck, J., Castañeda, F., Cherniadev, N., Da, X., Ding, R., Fan, L., Fang, Y., Fox, D., Hu, F., Huang, S., Jang, J., Jiang, Z., Kautz, J., Kundalia, K., Lao, L., Li, Z., Lin, Z., Lin, K., Liu, G., Llontop, E., Magne, L., Mandlekar, A., Narayan, A., Nasiriany, S., Reed, S., Tan, Y.L., Wang, G., Wang, Z., Wang, J., Wang, Q., Xiang, J., Xie, Y., Xu, Y., Xu, Z., Ye, S., Yu, Z., Zhang, A., Zhang, H., Zhao, Y., Zheng, R. and Zhu, Y. (2025) 'GR00T N1: An Open Foundation Model for Generalist Humanoid Robots', arXiv preprint, arXiv:2503.14734.
Cheng, X., Ji, Y., Chen, J., Yang, R., Yang, G. and Wang, X. (2024) 'Expressive Whole-Body Control for Humanoid Robots', Proceedings of Robotics: Science and Systems (RSS), Delft, Netherlands, July.
D'Ambrosio, D.B., Abeyruwan, S., Graesser, L., Iscen, A., Amor, H.B., Bewley, A., Reed, B.J., Reymann, K., Takayama, L., Tassa, Y., Choromanski, K., Coumans, E., Jain, D., Jaitly, N., Jaques, N., Kataoka, S., Kuang, Y., Lazic, N., Mahjourian, R., Moore, S., Oslund, K., Reyes, A., Sanketi, P., Vanhoucke, V., Vasudevan, R., Warke, H., Welker, L., Xu, H., Yu, V., Zhang, V. and Zhou, P. (2024) 'Achieving human level competitive robot table tennis', Science Robotics, 9(93), eadk7685.
Haddadin, S., De Luca, A. and Albu-Schäffer, A. (2017) 'Robot Collisions: A Survey on Detection, Isolation, and Identification', IEEE Transactions on Robotics, 33(6), pp. 1292–1312.
He, T., Luo, Z., Xiao, W., Zhang, C., Kitani, K., Liu, C. and Shi, G. (2024) 'Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation', Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Abu Dhabi, UAE, October, pp. 8944–8951.
Huang, J. (2024) NVIDIA GTC 2024 Keynote: Witness the Momentous Breakthroughs in AI and Accelerated Computing. San Jose: NVIDIA Corporation.
Ji, X., Wang, H., Li, Y. and Chen, Z. (2023) 'Physics-Informed Neural Networks for High-Speed Aerodynamic Trajectory Prediction in Ball Sports', IEEE Robotics and Automation Letters, 8(5), pp. 2812–2819.
Krizhevsky, A., Sutskever, I. and Hinton, G.E. (2012) 'ImageNet Classification with Deep Convolutional Neural Networks', Advances in Neural Information Processing Systems (NeurIPS), 25, pp. 1097–1105.
Lin, J., Zeng, A., Lu, S., Cai, Y., Zhang, R., Wang, H. and Zhang, L. (2023) 'Motion-X: A Large-Scale 3D Expressive Whole-Body Human Motion Dataset', Advances in Neural Information Processing Systems (NeurIPS), 36, pp. 25268–25280.
Liu, Y., Wang, Z., Zhang, H. and Li, J. (2023) 'Spatio-Temporal Graph Convolutional Networks for Automated Taekwondo Poomsae Action Quality Assessment', Journal of Sports Sciences, 41(14), pp. 1389–1401.
Liu, Z., Chen, X., Wu, Y. and Zhou, K. (2024) 'Embodied Artificial Intelligence in Competitive Sports: Challenges, Architectures, and Future Perspectives', IEEE Transactions on Cognitive and Developmental Systems, 16(3), pp. 812–826.
Mahmood, N., Ghorbani, N., Troje, N.F., Pons-Moll, G. and Black, M.J. (2019) 'AMASS: Archive of Motion Capture as Surface Shapes', Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, South Korea, October, pp. 5442–5451.
Mittal, M., Yu, C., Yu, Q., Liu, J., Rudin, N., Hoeller, D., Yuan, J.L., Singh, R., Guo, Y., Mazhar, H., Mandlekar, A., Babich, B., State, G., Hutter, M. and Garg, A. (2023) 'Orbit: A Unified Simulation Framework for Interactive Robot Learning Environments', IEEE Robotics and Automation Letters, 8(6), pp. 3740–3747.
Nickolls, J., Buck, I., Garland, M. and Skadron, K. (2008) 'Scalable Parallel Programming with CUDA', ACM Queue, 6(2), pp. 40–53.
NVIDIA (2025a) NVIDIA Jetson Thor: Next-Generation Computing Platform for Humanoid Robotics. Santa Clara: NVIDIA Technical Whitepaper.
NVIDIA (2025b) Cosmos World Foundation Model Platform for Physical AI. Santa Clara: NVIDIA Research.
Peng, X.B., Abbeel, P., Levine, S. and van de Panne, M. (2018) 'DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills', ACM Transactions on Graphics (TOG), 37(4), pp. 1–14.
Peng, X.B., Ma, Z., Abbeel, P., Levine, S. and Kanazawa, A. (2021) 'AMP: Adversarial Motion Priors for Stylized Physics-Based Character Control', ACM Transactions on Graphics (TOG), 40(4), pp. 1–20.
Wang, S., Zhang, L., Zhao, T. and Sun, F. (2025) 'Variable Impedance Control with Control Barrier Functions for Safe Physical Human-Robot Sparring in Combat Sports', IEEE/ASME Transactions on Mechatronics, 30(2), pp. 945–956.
Witt, S. (2023) 'How Jensen Huang’s Nvidia Is Powering the A.I. Revolution', The New Yorker, 27 November.
Xie, M., Chen, Y., Liu, H. and Tang, X. (2024) 'Multimodal Large Language Models as Automated Biomechanical Coaches in Martial Arts Training', Proceedings of the ACM International Conference on Multimedia (ACMMM), Melbourne, Australia, October, pp. 4120–4129.
孙富春, 刘华平, 方斌 (2024) 《具身智能:从感知到行动的智能体演进与产业应用》,《中国科学:信息科学》,第54卷,第6期,第1289–1310页。
王田苗, 陶永, 陈殿生 (2025) 《人形机器人与物理人工智能关键技术及体育竞技融合发展路径研究》,《机器人》,第47卷,第2期,第145–160页。