Robot humanoid memiliki potensi untuk fleksibilitas yang tak tertandingi dalam melakukan keterampilan tubuh penuh seperti manusia. Namun, Mencapai gerakan tubuh penuh yang gesit dan terkoordinasi tetap menjadi tantangan yang signifikan karena ketidakcocokan dinamis antara simulasi dan dunia nyata. Pendekatan yang ada, seperti identifikasi sistem (Sysid) dan pengacakan domain (dr) metode, sering mengandalkan penyetelan parameter yang melelahkan atau menghasilkan gerakan yang terlalu konservatif yang mengorbankan kelincahan. Menyelaraskan simulasi dan fisika nyata (ASAP) mungkin solusi.

ASAP adalah kerangka kerja dua tahap yang dikembangkan oleh Nvidia bekerja sama dengan Universitas Carnegie Mellon yang bertujuan untuk menjembatani kesenjangan antara simulasi dan fisika nyata saat mengajar keterampilan tubuh penuh yang gesit ke robot humanoid humanoid.

Di tahap pertama, Robot belajar untuk bergerak dalam simulasi menggunakan data yang diperoleh dari gerakan manusia. Pelatihan ini berlangsung di lingkungan simulasi dengan model fisik yang mencoba meniru kenyataan sebaik mungkin, Tetapi masih ada perbedaan antara apa yang diprediksi simulasi dan bagaimana robot berperilaku dalam kenyataan.

Di fase kedua, Kebijakan terlatih ditransfer ke dunia nyata, di mana data nyata tentang perilaku robot dikumpulkan. Berdasarkan ini, Model aksi delta yang disebut dibuat, yang mengkompensasi perbedaan antara fisika simulasi dan nyata. Model ini kemudian digunakan untuk menyempurnakan gerakan robot, memastikan bahwa perilakunya dalam kenyataan adalah seakurat dan stabil mungkin.

Di dalam video, Anda dapat melihat robot yang meniru pergerakan atlet terkenal.