Roboty humanoidalne mają potencjał niezrównanej wszechstronności w wykonywaniu umiejętności pełnego ciała podobnego do człowieka. Jednak, Osiągnięcie zwinnych i skoordynowanych ruchów całego ciała pozostaje istotnym wyzwaniem ze względu na dynamiczne niedopasowanie między symulacją a światem rzeczywistym. Istniejące podejścia, takie jak identyfikacja systemu (Sysid) i randomizacja domeny (DR) metody, Często polegają na pracochłonnym strojeniu parametrów lub skutkuje zbyt konserwatywnymi ruchami, które poświęcają zwinność. Wyrównanie symulacji i prawdziwej fizyki (Jak najszybciej) może być rozwiązaniem.

ASAP to dwustopniowe ramy opracowane przez NVIDIA we współpracy z Carnegie Mellon University, którego celem jest wypełnienie luki między symulacją a prawdziwą fizyką podczas nauczania zwinnych umiejętności pełnego ciała dla robotów humanoidalnych.

W pierwszym etapie, Robot uczy się poruszać w symulacji za pomocą danych uzyskanych z ruchów ludzkich. Szkolenie odbywa się w symulowanym środowisku z modelem fizycznym, które starają się naśladować rzeczywistość jak najlepiej, Ale nadal istnieją różnice między tym, co przewiduje symulacja, a tym, jak robot zachowuje się w rzeczywistości.

W drugiej fazie, Wyszkolone zasady są przenoszone do rzeczywistego świata, gdzie gromadzone są prawdziwe dane dotyczące zachowania robota. Na podstawie tego, tworzony jest tak zwany model akcji Delta, co kompensuje różnice między fizyką symulowaną i rzeczywistą. Ten model jest następnie wykorzystywany do dopracowania ruchów robota, Zapewnienie, że jego zachowanie w rzeczywistości jest tak dokładne i stabilne, jak to możliwe.

W wideo, Możesz zobaczyć roboty, które naśladują ruchy znanych sportowców.