Humanoïde robots hebben het potentieel voor ongeëvenaarde veelzijdigheid bij het uitvoeren van vaardigheden op het gebied van mensachtige full-body. Echter, Het bereiken van behendige en gecoördineerde bewegingen van het hele lichaam blijft een belangrijke uitdaging vanwege de dynamische mismatch tussen simulatie en de echte wereld. Bestaande benaderingen, zoals systeemidentificatie (Sysid) en domein randomisatie (DR) methoden, Vertrouw vaak op moeizame parameterafstemming of resulteren in overdreven conservatieve bewegingen die behendigheid opofferen. Simulatie en echte fysica afstemmen (Zo snel mogelijk) kan een oplossing zijn.

ASAP is een tweetraps framework ontwikkeld door NVIDIA in samenwerking met Carnegie Mellon University dat de kloof tussen simulatie en echte fysica wil overbruggen bij het onderwijzen van full-body vaardigheden aan humanoïde robots.

In de eerste fase, De robot leert in een simulatie te bewegen met behulp van gegevens die zijn verkregen uit menselijke bewegingen. Deze training vindt plaats in een gesimuleerde omgeving met fysieke modellen die de realiteit zo goed mogelijk proberen na te bootsen, Maar er zijn nog steeds verschillen tussen wat de simulatie voorspelt en hoe de robot zich in werkelijkheid gedraagt.

In de tweede fase, Het getrainde beleid wordt overgebracht naar de echte wereld, waar echte gegevens over het gedrag van de robot worden verzameld. Op basis hiervan, Er is een zogenaamd delta-actiemodel gemaakt, die de verschillen tussen de gesimuleerde en echte fysica compenseert. Dit model wordt vervolgens gebruikt om de bewegingen van de robot te verfijnen, Ervoor zorgen dat zijn gedrag in werkelijkheid zo nauwkeurig en stabiel mogelijk is.

In de video, Je kunt robots zien die de bewegingen van beroemde atleten imiteren.