Les robots humanoïdes ont le potentiel de polyvalence inégal. Cependant, La réalisation des mouvements intérimaires agiles et coordonnés reste un défi important en raison de l'inadéquation dynamique entre la simulation et le monde réel. Approches existantes, comme l'identification du système (Sysid) et randomisation de domaine (RD) méthodes, s'appuient souvent sur un réglage laborieux des paramètres ou entraînent des mouvements trop conservateurs qui sacrifient l'agilité. Aligner la simulation et la physique réelle (dès que possible) Peut être une solution.

ASAP est un cadre en deux étapes développé par Nvidia en collaboration avec l'Université Carnegie Mellon qui vise à combler le fossé entre la simulation et la physique réelle lors de l'enseignement des compétences agiles du corps entier aux robots humanoïdes.

Dans la première étape, Le robot apprend à se déplacer dans une simulation en utilisant des données acquises à partir de mouvements humains. Cette formation se déroule dans un environnement simulé avec des modèles physiques qui essaient d'imiter la réalité du mieux que possible, Mais il y a encore des différences entre ce que la simulation prédit et comment le robot se comporte dans la réalité.

Dans la deuxième phase, Les politiques qualifiées sont transférées dans le monde réel, où de vraies données sur le comportement du robot sont collectées. En fonction de ce, Un modèle d'action dite delta est créé, qui compense les différences entre la physique simulée et réelle. Ce modèle est ensuite utilisé pour affiner les mouvements du robot, S'assurer que son comportement en réalité est aussi précis et stable que possible.

Dans la vidéo, Vous pouvez voir des robots qui imitent les mouvements des athlètes célèbres.