Autora: Wu Simeng
Editores: Cen Feng, Ma Xiaoning
Si has jugado a Mario Tennis o TopSpin, probablemente no te parezca especialmente complicado jugar al tenis. La pelota viene volando, mueves al personaje, juzgas dónde va a caer y pulsas el botón de golpe en el momento adecuado. Especialmente en Mario Tennis Aces, el juego incluso descompone el tenis en un lenguaje de movimientos muy intuitivo: derecha, revés, liftado, cortado, globo, e incluso golpes especiales que requieren una sincronización precisa. Imagen del juego Mario Tennis Aces. El tenis real, por supuesto, es mucho más complejo que todo esto; lo que hace el juego es un«mapeo de acciones»(action mapping), que en esencia traduce una «operación de botones» muy abstracta del jugador en todo un conjunto de movimientos corporales complejos del personaje. El jugador no necesita saber cómo se ejecuta ese movimiento, porque el control motor intermedio está a cargo del sistema del juego. Cuándo aterriza la pelota, cuándo gira la cintura el cuerpo, hacia dónde debe dar el paso el pie, con qué velocidad debe balancearse el brazo: casi todo esto queda oculto en el juego. El jugador solo ve una entrada sencilla, y el motor del juego se encarga de traducirla en una secuencia completa de movimientos corporales. Por rápido que vuele la pelota, el personaje no se tambalea por no tener tiempo de ajustar su centro de gravedad, y mucho menos pierde el equilibrio por un paso tardío. Pero si sustituimos a ese personaje que «golpea con solo pulsar un botón» por un robot humanoide real, la «encarnación» hará que todo sea completamente diferente.La inteligencia encarnada exige que el robot vuelva a asumir ese proceso corporal que el juego esconde, es decir, el abismo que va de la intención al movimiento.Primero debe juzgar de dónde viene la pelota y luego decidir cuándo moverse y cuánto moverse; al acercarse al punto de golpeo, las piernas, la cintura, el tronco, los hombros, los brazos y las muñecas deben coordinarse. El tiempo durante el cual la raqueta toca la pelota puede ser apenas un instante muy breve, y en ese lapso el robot además debe procesar una serie de variaciones: su propia postura, la velocidad de las articulaciones, la fricción, el peso de la raqueta y la velocidad de la pelota entrante. El tenis se convierte así en un problema robótico muy interesante. No se parece a agarrar una taza estática en el laboratorio. La pelota vuela constantemente, el punto de golpeo cambia sin cesar, y el robot no puede simplemente hacer bien un movimiento una sola vez, sino repetirlo correctamente en estados que cambian continuamente. Ya no necesita solo «saber qué hacer», sino hacer que todo su cuerpo forme una reacción coordinada en unos cientos de milisegundos o incluso menos. Este es también el problema que intenta responder IROS 2026 un trabajo presentado en , realizado por los equipos de Galaxy General (GaLbot), la Universidad de Tsinghua, la Universidad de Pekín, el Instituto de Investigación Shanghai Qi Zhi y los equipos de investigación del Laboratorio de Inteligencia Artificial de Shanghái:LATENT. El propio título del artículo ya es muy interesante:Aprendizaje de habilidades atléticas de tenis humanoide a partir de datos de movimiento humanos imperfectos. La palabra clave no es «perfect», sino «imperfect». El equipo de investigación no preparó para el robot un conjunto de datos cuidadosamente seleccionado, completo y preciso de partidos profesionales de tenis humano. Al contrario, partieron deliberadamente de datos de movimiento humano imperfectos para que el robot aprendiera las capacidades corporales más básicas del tenis y, mediante aprendizaje por refuerzo y simulación, combinara esas capacidades en políticas capaces de golpear la pelota de verdad. En otras palabras, lo que querían resolver no era «cómo replicar completamente los movimientos humanos en un robot», sino una pregunta más cercana a la realidad:Si la demostración que los humanos le dan al robot es incompleta e imprecisa de por sí, ¿qué puede aprender aún de ella?
01
Cinco horas de datos imperfectos
Si de verdad quisiéramos que un robot aprendiera de un tenista humano, la forma más intuitiva sería registrar a ese tenista por completo: desde la posición de preparación, pasando por el desplazamiento, el swing, el golpeo y la vuelta a la posición, hasta el siguiente golpeo. Lo ideal sería contar además con una gran cantidad de pelotas entrantes, puntos de caída y posturas corporales distintas, e incluso partidos completos. Así el robot vería no solo «cómo debe mover el brazo», sino un conjunto completo de conducta tenística. El problema es que esos datos son muy difíciles de recopilar. Y ni que decir tiene que si el objetivo es un robot humanoide, la estructura corporal del ser humano y la del robot no son iguales. La longitud de los brazos, el rango articular, el peso corporal y la fuerza muscular de una persona difieren de los del robot; incluso si un sistema de captura de movimiento registra con precisión los movimientos de una persona, no hay garantía de que el robot pueda ejecutarlos exactamente igual. LATENT tomó otro camino. El equipo de investigación reunió a 5 tenistas aficionados y, en un área de captura de movimiento de unos 3 metros × 5 metros, registró aproximadamente 5 horas de datos de movimiento humano. Este espacio ni siquiera llega a ser una pequeña parte de una pista de tenis estándar. Los investigadores no pidieron a los jugadores que disputaran partidos completos, sino que centraron su atención en los movimientos corporales más básicos del tenis, incluyendo derechas, reveses y desplazamientos como pasos laterales de deslizamiento y pasos cruzados. Captura de movimientos del tenis humano. Estos movimientos parecen muy fragmentarios. Una persona da dos pasos hacia un lado, otra completa un swing de derecha, otra hace un revés. No pueden ensamblarse en un partido completo de tenis, y mucho menos decirle al robot «dónde debe golpear la siguiente pelota». Pero el equipo de investigación considera que estos fragmentos todavía contienen algo muy importante:cómo utiliza el ser humano su cuerpo cuando se enfrenta al tenis.Esto es también lo que el artículo llama «imperfect human motion data». Esa «imperfección» tiene al menos dos niveles.Primero: no es lo bastante preciso.El movimiento humano obtenido mediante captura de movimiento no significa que el robot pueda copiarlo sin ninguna modificación, especialmente en movimientos locales como la muñeca, donde existen diferencias evidentes entre los datos humanos y el cuerpo del robot.Segundo: no es lo bastante completo.Lo que el equipo de investigación recopiló son movimientos básicos del tenis, no un conjunto completo de conducta de partido. Los datos pueden decirle al robot cómo desplazarse y cómo golpear, pero no le dicen directamente qué estrategia debe elegir ante diferentes pelotas entrantes. El enfoque tradicional tiende a ver estos defectos como problemas: si los datos no son suficientemente precisos, se siguen recopilando; si están incompletos, se recopilan más. LATENT, en cambio, dio un pequeño paso a un lado. No intentó remendar esos datos hasta convertirlos en un «manual perfecto del tenis humano», sino que los trató como un a priori. El robot no necesita ser una réplica de un tenista humano concreto; lo que necesita saber primero es cómo usa aproximadamente el ser humano su cuerpo en un deporte de alta velocidad como el tenis. Esta distinción es importante, porque para el aprendizaje por refuerzo, explorar desde cero todos los movimientos corporales posibles tiene un coste muy alto. Un robot humanoide de 29 grados de libertad no tiene solo dos opciones: «golpear» o «no golpear». En cada instante puede cambiar el estado de piernas, cintura, tronco, hombros y brazos. Si empezara desde cero, ni siquiera sabría qué tipo de movimiento corporal se considera razonable. Los datos de movimiento humano, aunque sean solo fragmentos, pueden trazarle primero un límite aproximado. Es como cuando una persona coge una raqueta por primera vez: no hace falta darle un curso de formación profesional completo; basta con que sepa «así se coloca más o menos un humano, así se mueve, así golpea», para que después pueda encontrar su propio estilo mediante prueba y error. Lo que hace LATENT puede entenderse, a grandes rasgos, como permitir que el robot adquiera primero esa «intuición corporal».02
Lo que el robot necesita es un «lenguaje corporal»
El equipo de investigación no se limitó a introducirle los movimientos humanos capturados articulación por articulación. La verdadera dificultad está precisamente aquí:los movimientos humanos no son movimientos de robot.Cuando una persona golpea, su cerebro no calcula explícitamente «cuántos grados doblar la rodilla izquierda, cuántos grados girar la cadera derecha, cuántos grados inclinar el tronco». Lo que acaba formándose es una coordinación corporal. Si el robot tuviera que decidir directamente en cada momento cómo deben moverse los 29 grados de libertad, el espacio de aprendizaje sería enorme y durante el aprendizaje por refuerzo surgirían con facilidad movimientos antinaturales o incluso inestables. Diagrama del marco del método LATENT. Por eso LATENT entrenó primero un rastreador de movimiento (motion tracker) para que el robot pudiera aprender los patrones de movimiento corporal contenidos en los movimientos humanos. Luego, el equipo comprimió aún más ese rastreador en un espacio de acciones latente continuo, el llamado latent action space. Con una metáfora más intuitiva, es algo parecido a un «diccionario de movimientos». El robot no tiene que calcular desde cero cada vez cómo deben coordinarse los 29 articulaciones, sino que puede elegir primero en ese diccionario un movimiento corporal ya aprendido y ajustarlo según la pelota que tiene delante. Este espacio de acciones tiene además una característica muy importante: no fija al robot a los movimientos humanos. La demostración humana solo proporciona un a priori del movimiento; al enfrentarse de verdad a la pelota, el robot todavía tiene que aprender por sí mismo. Por eso el artículo no plantea «imitar a los humanos» como objetivo final. Supongamos que un tenista hace un gesto de muñeca al golpear y que ese gesto no es fiable para el G1: entonces el robot no tiene por qué aferrarse a él. El equipo incluso trató expresamente la muñeca derecha: redujo su fiabilidad en la fase de rastreo de movimiento para que el robot no pudiera depender en exceso de ese movimiento local con errores, y dejó que la política de alto nivel la corrigiera en el momento real del golpeo. Este diseño es como dejar deliberadamente en el robot un tornillo poco firme. Si un sistema solo funciona cuando ese tornillo es totalmente preciso, el menor error en la realidad puede invalidar todo el movimiento. En cambio, si el robot se ve obligado desde el principio a aprender a completar el movimiento apoyándose en las piernas, las caderas, el tronco, los hombros y otras partes del cuerpo, cuando la muñeca se desvíe aún tendrá la posibilidad de ajustar todo el cuerpo y devolver la pelota. Este es también un punto muy interesante de LATENT:los datos humanos no son la respuesta final que el robot debe perseguir, sino más bien un punto de partida en su aprendizaje del movimiento corporal.A continuación, el equipo de investigación tuvo que afrontar un problema muy típico del aprendizaje por refuerzo. Cuando el robot ya dispone de un «diccionario de movimientos», ¿podría el aprendizaje por refuerzo, para aumentar la tasa de devoluciones exitosas, empezar a saltar aleatoriamente entre movimientos completamente distintos del diccionario? La respuesta es que sí es posible. Por eso el equipo propuso el Latent Action Barrier, es decir, LAB. Este restringe las acciones generadas por la política de alto nivel para que esta no se desvíe con facilidad de la distribución de acciones original. Latent Action Barrier. Aquí el «Barrier» no encierra al robot, sino que traza un límite durante la exploración. El artículo utiliza la distancia de Mahalanobis para medir el grado de desviación de la acción, en lugar de la simple distancia euclidiana. La razón es fácil de entender: las escalas y rangos de variación de las distintas dimensiones de la acción no son iguales, y no se puede tratar como la misma «desviación» la variación en todas las direcciones. Los experimentos también demostraron el valor de esta restricción. En la tarea de golpe de derecha, la política LATENT completa alcanzó una tasa de éxito del 96.52%; al eliminar LAB, la tasa de éxito cayó al 93.12%. Pero el cambio más evidente apareció en la calidad del movimiento: el indicador de suavidad del movimiento pasó de 25.61 a 37.64, y el par articular también pasó de 7.40 a 12.53. Es decir, lo que LAB mejora de verdad no es solo «si se puede devolver la pelota», sino si el robot, al completar la tarea, puede hacer menos movimientos bruscos, violentos y mecánicos. Es muy parecido a la diferencia en el movimiento humano. Una persona puede ocasionalmente devolver la pelota, pero si cada golpe depende de un latigazo del cuerpo, de parones repentinos y correcciones continuas, ese tipo de movimiento es difícil de sostener. La capacidad motora realmente útil no consiste en tener éxito una vez, sino en convertir el éxito en un hábito corporal estable.03
Los robots tampoco pueden aprender solo en un "mundo limpio"
Llegados a este punto, el robot ya tiene movimiento y también una estrategia. Pero queda un problema aún mayor: el mundo simulado y el mundo real no son iguales. En el simulador, los investigadores conocen la masa de la pelota, su elasticidad, la resistencia del aire, así como la masa del cuerpo del robot y sus parámetros de fricción. De dónde viene volando la pelota y a qué velocidad se puede controlar con precisión. En la realidad, el bote de una pelota de tenis no es siempre el mismo, el centro de gravedad de la raqueta puede presentar pequeños errores y la fricción del suelo también varía. Las articulaciones, actuadores y sensores del robot también tienen errores. Sin mencionar que el sistema real presenta latencia, ruido y observaciones que se pierden ocasionalmente. Si el robot solo aprende a jugar en un «mundo simulado perfecto», al llegar a la realidad los movimientos aprendidos pueden dejar de funcionar de inmediato. La solución que adoptó LATENT no consistió en hacer el mundo simulado lo más perfecto posible, sino al revés:introducir activamente la incertidumbre en el mundo simulado.El equipo de investigación aleatorizó parámetros del robot como la masa del cuerpo, el centro de masa, la fricción de los pies, la fricción de las articulaciones y la inercia de los actuadores, y también aleatorizó parámetros dinámicos de la pelota de tenis como la masa, el coeficiente de restitución y la resistencia del aire. Figure 2(c+d)：Dynamics Randomization + Observation Noise Al mismo tiempo, añadieron factores como ruido de observación, pérdida de fotogramas y latencia. Es decir, durante el entrenamiento simulado, el robot no se enfrentaba a un mundo de tenis fijo, sino a todo un «espacio de mundos reales posibles». A veces la pelota era un poco más pesada, a veces más ligera; a veces la fricción era mayor, a veces menor; a veces los datos del sensor llegaban un poco tarde, y a veces directamente faltaba un fotograma. El robot se ve obligado a aprender: «incluso si no sé cuál es exactamente la situación del mundo, debo intentar devolver la pelota de todos modos». Esta es también una diferencia muy interesante entre el aprendizaje robótico y el control por programación tradicional. Un programa puede decirle a la máquina: la velocidad de la pelota es A, la fricción es B, la latencia es C, entonces ejecuta la acción D. Pero el mundo real rara vez te da condiciones tan ordenadas como A, B y C. Por eso LATENT no intentó eliminar la incertidumbre, sino acostumbrar al robot a ella desde la fase de entrenamiento. Los experimentos de ablación del artículo lo ilustran muy bien. Si se elimina la aleatorización de la dinámica de la pelota de tenis, la tasa de éxito del golpe de derecha en el mundo real cae claramente hasta el 16.67%; si se elimina el ruido de observación, el experimento de revés incluso baja al 0%. Estos dos resultados señalan precisamente un problema:la razón por la que el robot falla en la realidad a veces no es que no haya aprendido los movimientos, sino que el mundo que aprendió era demasiado limpio.Esta es una de las dificultades más centrales del sim-to-real. Hacer que el simulador se parezca cada vez más a la realidad es, por supuesto, importante, pero existe otra vía: acostumbrar al robot a que la realidad nunca será completamente como el simulador. LATENT eligió esta última. Esta idea finalmente se llevó al Unitree G1 real. Sin embargo, aquí hay que aclarar algo especialmente importante: no se trata de un robot parado en una cancha de tenis normal que completó todos los experimentos solo con su cámara. La validación actual en robot real todavía depende de un sistema de captura de movimiento. El equipo de investigación utilizó cámaras de captura de movimiento para obtener información sobre el movimiento del robot y la pelota, y los experimentos reales se realizaron en un entorno de captura de movimiento a gran escala. Según el material oficial del proyecto, el experimento utilizó más de 50 cámaras de captura de movimiento, con un área de captura de 19 metros × 15 metros. Esto forma un contraste interesante con la recopilación de datos mencionada antes. Para capturar los movimientos corporales de 5 jugadores amateur, el equipo de investigación solo necesitó una pequeña área de 3 metros × 5 metros; hacer que el robot jugara de manera estable en el mundo real requirió, en cambio, toda una infraestructura compleja de captura de movimiento. Es decir,«los datos imperfectos» no significan que todo el sistema experimental sea simple.Todo lo contrario: el equipo de investigación trasladó parte del problema de «cómo recopilar datos perfectos» a «cómo hacer que el robot aprenda capacidades estables a partir de datos imperfectos», pero la validación en robot real sigue siendo un sistema de ingeniería costoso y complejo. El artículo también considera explícitamente la dependencia del sistema de captura de movimiento como una limitación del trabajo actual, y señala el uso futuro de la visión activa como siguiente dirección. Esto significa que el LATENT de hoy todavía no es un «robot tenista autónomo» libre de condiciones de laboratorio. Pero al menos demuestra una cosa:los datos imperfectos pueden ser el punto de partida para que un robot adquiera capacidades de movimiento dinámico.04
De verdad devolvió la pelota
Al final, lo que realmente resulta intuitivo es la pelota. En los experimentos simulados, el equipo de investigación realizó pruebas a gran escala evaluando distintas condiciones de pelotas entrantes. LATENT alcanzó una tasa de éxito del 96.52% en la devolución con derecha, con un error medio de punto de caída de 1.32 metros. Como referencia, los métodos AMP, ASE y PULSE lograron tasas de éxito con derecha de 41.32%, 63.47% y 71.85% respectivamente, con errores medios de punto de caída también notablemente mayores. Estas cifras indican que LATENT realmente no se limita a hacer que el robot «realice un movimiento de raqueta». Ya es capaz de vincular el movimiento corporal, las condiciones de la pelota entrante y el objetivo de la tarea. Con pelotas entrantes en diferentes posiciones y a distintas velocidades, el robot necesita mover su cuerpo, golpear en la posición adecuada y luego enviar la pelota, en lo posible, de vuelta a la zona objetivo. Y al llegar al mundo real, los resultados se mantienen. El artículo realizó 20 intercambios consecutivos humano-robot. En condiciones de derecha, la tasa de devolución reportada fue del 90.90%, y del 77.78% en revés; en condiciones de pista delantera y trasera fue de 88.89% y 81.82% respectivamente. Aquí hay una precisión muy importante: estas cifras no son «tasas de victoria reales en partidos de tenis del robot». El criterio de éxito en los experimentos reales era si el robot podía devolver la pelota dentro del campo del oponente; y la escala del experimento fue de solo 20 intercambios consecutivos. Por lo tanto, el 90.90% debe entenderse con mayor precisión como: bajo las condiciones experimentales reales establecidas en el artículo, el robot puede completar devoluciones con derecha de forma bastante estable. Lo que demuestra es una capacidad, no un nivel de competición profesional. De hecho, la tarea que LATENT resuelve actualmente también es todavía bastante definida: el robot debe golpear la pelota entrante hacia una posición objetivo, no disputar un partido completo de individuales o dobles como un verdadero tenista. Un verdadero partido de tenis incluye muchas cuestiones más complejas. ¿Cuándo se debe tirar paralelo y cuándo cruzado? ¿Dónde está parado el oponente? ¿Cómo debe reposicionarse después de este golpe? Si el rival cambia continuamente el punto de caída, ¿cómo ajusta el robot su táctica? Y si la pelota no cae en la zona esperada, ¿qué hacer en el siguiente golpe? Estas preguntas ya no son solo «cómo golpear». Exigen que el robot entienda un entorno de confrontación en constante cambio. El robot-robot self-play del artículo ofrece un complemento. En el entorno de simulación, dos robots que usan esta política pueden jugar entre sí, completando como máximo 25 intercambios consecutivos. Pero aquí también hay que trazar un límite:los 25 intercambios provienen de experimentos robot contra robot en simulación, no de un partido humano-robot en el mundo real.Así que, si colocamos a LATENT en la historia más larga del desarrollo de la robótica, lo que ha logrado en realidad no es «hacer que el robot aprenda a jugar al tenis», sino avanzar un paso en un problema que antes era muy difícil de resolver: ¿puede un robot aprender, a partir de fragmentos limitados de movimiento humano, una capacidad corporal transferible, y luego usarla realmente en un entorno rápido, dinámico y lleno de errores? Por ahora, la respuesta es afirmativa. Al menos en las tareas definidas en el artículo, ya puede hacerlo. Y si esto merece atención, no es precisamente por el tenis en sí.05
El tenis es solo una puerta de entrada
Durante mucho tiempo, las demostraciones de la capacidad de movimiento de los robots solían ocurrir en entornos relativamente deterministas. Caminar, agarrar, transportar, abrir puertas: cada tarea tenía un objetivo claro y la posición de los objetos normalmente no cambiaba de repente. Pero el deporte no es así. La pelota vuela, el objetivo se mueve, el tiempo de contacto es muy breve y las acciones deben ejecutarse de forma continua. El robot no solo debe controlar su cuerpo, sino que además debe volver a decidir constantemente el siguiente paso según los cambios del mundo exterior. Por ello, el deporte ofrece en realidad un campo de prueba del embodied intelligence sumamente extremo. El fútbol exige que el robot corra, gire y patee, y además que entienda la posición de los demás jugadores; el bádminton exige que ejecute juego de pies, swing y control del punto de caída ante pelotas entrantes a alta velocidad; y el tenis concentra aún más estos problemas en un momento muy concreto: el robot debe golpear una pelota que vuela a alta velocidad, en la posición correcta, con la postura corporal correcta y en el momento correcto. Por eso en la IROS 2026 de este año, la athletic humanoid robotics ya se ha convertido en una línea que se discute por separado. El workshop “Perception and Decision Making for Athletic Humanoid Robotics” de IROS 2026 incluye directamente como temas de discusión agile locomotion, sports, dynamic manipulation, real-time planning, embodied AI, etc., centrados precisamente en cómo los robots realizan percepción, toma de decisiones y control de cuerpo completo en entornos rápidos, con contacto intenso e impredecibles. El Workshop también programó demostraciones de robots en movimiento de Unitree, Phybot y Booster Robotics, que abarcan tareas como atletismo, bádminton y fútbol. El valor de LATENT está justamente aquí. No intentó convertir los datos de movimiento humano en una respuesta perfectamente precisa. Los 5 jugadores amateur dejaron solo algunos fragmentos de movimiento, y estos fragmentos mismos contenían errores. Pero estos datos imperfectos aún le dicen al robot algo: cómo se mueve una persona en este mundo, cómo mantiene el equilibrio, cómo mueve su cuerpo para perseguir un objeto que se desplaza a alta velocidad. Luego, el robot sigue avanzando por sí mismo. Comprime los movimientos humanos en un espacio de acciones latentes y usa aprendizaje por refuerzo para buscar combinaciones de movimientos adecuadas a su propio cuerpo; no confía plenamente en el movimiento de la muñeca humana, por lo que aprende a hacer que todo el cuerpo participe en la compensación; no asume que los parámetros del mundo real sean siempre exactos, así que añade activamente ruido, latencia y variaciones dinámicas en el simulador; y finalmente, lleva todo esto al cuerpo de un robot real. Está intentando responder una pregunta más grande:cuando no podemos darle al robot un manual perfecto del mundo, ¿puede construir por sí mismo, a partir de información imperfecta, una comprensión de su cuerpo y del mundo?Esto es precisamente lo interesante del tenis como campo de prueba para la inteligencia corporizada: exige que el robot actúe en un mundo sin respuestas fijas y que otros agentes modifican constantemente, exponiendo problemas de forma continua y optimizando sin pausa. La pelota no espera al robot. Cuando llega, el cuerpo debe reaccionar antes que el lenguaje. El sensor tiene latencia, la acción tiene errores, y la trayectoria original deja de ser una instrucción que se pueda ejecutar al pie de la letra. Así que al final, lo que realmente se para en la cancha no es una máquina que copia fotograma a fotograma los movimientos humanos. Tiene bajo los pies fragmentos de movimiento dejados por 5 jugadores amateur, datos corporales imperfectos, incertidumbre deliberadamente expuesta y una estrategia corporal formada tras el constante ensayo y error del aprendizaje por refuerzo. Lo que las personas aportan son huellas de conocimiento, pero lo que el robot obtiene no es el conocimiento en sí; la parte restante debe completarla con su propio cuerpo.Para facilitar que todos se agrupen para intercambiar y compartan información sobre la conferencia, Leifeng Wang (cuenta oficial: 雷峰网) ha creado específicamente grupos de intercambio de asistentes a la IROS 2026 grupo de intercambio de asistentes！Al entrar al grupo desbloquearás estos «beneficios»?
Estación de inteligencia de la conferencia: DDL de envío, normas de formato, avances de revisión… Los puntos clave te llegan al instante, nunca más temerás perder un deadline, y tu preparación del envío quedará firme.
Charlas entre colegas: colegas de todos los rincones están en el grupo, compartiendo experiencias, intercambiando ideas y construyendo contactos; en el camino de la investigación, caminamos juntos.
Estación de suministro de novedades: últimos resultados de investigación y temas de tendencia sincronizados en tiempo real, ayudándote a aclarar el hilo del envío en función de los temas de la conferencia, para llenar tu inspiración de combustible.
Equipo de apoyo en el sitio: (disponible exclusivamente durante la conferencia):Una vez en el recinto, tampoco hay que preocuparse——
Navegación de rutas: distribución del recinto y cómo llegar a las salas de conferencias, pregunta en el grupo en cualquier momento;
Lectura conjunta de temas: sesiones populares y discusión de Keynotes, si te lo pierdes también puedes ponerlo al día;
Recopilación de Posters: esencia de los pósters del sitio organizada, guárdala de un clic sin omitir nada;
Plaza de encuentros: comidas, entrevistas, intercambios… si quieres charlar, colaborar o conocerte en persona, basta con proponerlo en el grupo.
? Enlace de acceso al grupo: Escanee el código QR para unirse al grupo o agregue WeChat Luyoyo_2026, con la nota: ECCV + institución/escuela + nombre + área de investigación.
En la investigación o en la tecnología, la información diferencial es muy importante.
¡Ven y adelántate un paso a los demás!
Súbete y te mostramos lo mejor de las principales conferencias mundiales de IA
Acceso exclusivo a:
PPT de las charlas de expertos
Textos completos de las ponencias del congreso
Análisis de los artículos más populares
Entrevistas a las nuevas estrellas académicas
Escanee el código QR de arriba
o haga clic en «Leer el original» para seguir la sección especial.
Artículo original de Lei Feng Wang, prohibida su reproducción sin autorización. Para más detalles, consulteAviso de reproducción。