Humanoidrobotter har potentialet til enestående alsidighed i at udføre menneskelignende færdigheder i fuld krop. Men, At opnå smidige og koordinerede bevægelser i fuld krop forbliver en betydelig udfordring på grund af det dynamiske misforhold mellem simulering og den virkelige verden. Eksisterende tilgange, såsom systemidentifikation (Sysid) og domæne randomisering (DR) metoder, Stol ofte på mødende parameterindstilling eller resulterer i alt for konservative bevægelser, der ofrer smidighed. Tilpasning af simulering og reel fysik (ASAP) kan være en løsning.

ASAP er en to-trins ramme udviklet af NVIDIA i samarbejde med Carnegie Mellon University, der sigter mod at bygge bro mellem simulering og reel fysik, når man underviser i agile færdigheder i fuld krop til humanoidrobotter.

I den første fase, Robotten lærer at flytte i en simulering ved hjælp af data erhvervet fra menneskelige bevægelser. Denne træning finder sted i et simuleret miljø med fysiske modeller, der prøver at efterligne virkeligheden så bedst som muligt, Men der er stadig forskelle mellem, hvad simuleringen forudsiger, og hvordan roboten opfører sig i virkeligheden.

I den anden fase, De uddannede politikker overføres til den virkelige verden, Hvor reelle data om robotens opførsel indsamles. Baseret på dette, Der oprettes en såkaldt delta-action-model, som kompenserer for forskellene mellem den simulerede og virkelige fysik. Denne model bruges derefter til at finjustere robotens bevægelser, At sikre, at dens opførsel i virkeligheden er så nøjagtig og stabil som muligt.

I videoen, Du kan se robotter, der efterligner bevægelser fra berømte atleter.