Humanoide Roboter haben das Potenzial für eine beispiellose Vielseitigkeit bei der Durchführung menschlicher Vollkörperfähigkeiten. Jedoch, Das Erreichen von agilen und koordinierten Ganzkörperbewegungen bleibt aufgrund der dynamischen Fehlanpassung zwischen Simulation und realer Welt eine bedeutende Herausforderung. Bestehende Ansätze, wie Systemidentifikation (Sysid) und Domain -Randomisierung (DR) Methoden, häufig auf mühsame Parameterabstimmung angewiesen oder zu übermäßig konservativen Bewegungen führen, die Beweglichkeit opfern. Simulation und echte Physik ausrichten (ASAP) Kann eine Lösung sein.

ASAP ist ein zweistufiges Rahmen, das von Nvidia in Zusammenarbeit mit der Carnegie Mellon University entwickelt wurde, die darauf abzielt, die Lücke zwischen Simulation und realer Physik zu schließen.

In der ersten Stufe, Der Roboter lernt, sich in einer Simulation unter Verwendung von Daten zu bewegen, die von menschlichen Bewegungen erfasst wurden. Dieses Training findet in einer simulierten Umgebung mit physischen Modellen statt, die versuchen, die Realität so gut wie möglich nachzuahmen, Es gibt jedoch immer noch Unterschiede zwischen dem, was die Simulation vorhersagt und wie sich der Roboter in der Realität verhält.

In der zweiten Phase, Die ausgebildeten Richtlinien werden in die reale Welt übertragen, Wo echte Daten zum Verhalten des Roboters gesammelt werden. Basierend darauf, Ein sogenanntes Delta-Aktionsmodell wird erstellt, Dies kompensiert die Unterschiede zwischen der simulierten und der realen Physik. Dieses Modell wird dann verwendet, um die Bewegungen des Roboters zu optimieren, Sicherstellen, dass sein Verhalten in der Realität so genau und stabil wie möglich ist.

In dem Video, Sie können Roboter sehen, die die Bewegungen berühmter Athleten nachahmen.