I robot umanoidi hanno il potenziale per una versatilità senza pari nell'esecuzione di abilità di tutto il corpo. Tuttavia, Il raggiungimento dei movimenti agili e coordinati del corpo intero rimane una sfida significativa a causa della discrepanza dinamica tra la simulazione e il mondo reale. Approcci esistenti, come l'identificazione del sistema (Sysid) e randomizzazione del dominio (DOTT) metodi, Spesso fare affidamento sulla sintonizzazione dei parametri laboriosi o provocano movimenti eccessivamente conservatori che sacrificano l'agilità. Allineare la simulazione e la vera fisica (al più presto) può essere una soluzione.

ASAP è un framework a due stadi sviluppato da Nvidia in collaborazione con la Carnegie Mellon University che mira a colmare il divario tra simulazione e fisica reale quando si insegna a agili capacità di tutto il corpo ai robot umanoidi.

Nella prima fase, Il robot impara a muoversi in una simulazione utilizzando i dati acquisiti dai movimenti umani. Questo allenamento si svolge in un ambiente simulato con modelli fisici che cercano di imitare la realtà nel miglior modo possibile, Ma ci sono ancora differenze tra ciò che prevede la simulazione e come il robot si comporta nella realtà.

Nella seconda fase, Le politiche addestrate vengono trasferite nel mondo reale, dove vengono raccolti dati reali sul comportamento del robot. Basato su questo, Viene creato un cosiddetto modello di azione delta, che compensa le differenze tra la fisica simulata e reale. Questo modello viene quindi utilizzato per perfezionare i movimenti del robot, Garantire che il suo comportamento nella realtà sia il più accurato e stabile possibile.

Nel video, Puoi vedere robot che imitano i movimenti di atleti famosi.