Os robôs humanóides têm o potencial de versatilidade incomparável na realização de habilidades de corpo inteiro do tipo humano. No entanto, A obtenção de movimentos de corpo inteiro ágil e coordenado continua sendo um desafio significativo devido à incompatibilidade dinâmica entre simulação e o mundo real. Abordagens existentes, como identificação do sistema (Sysid) e randomização do domínio (RD) Métodos, frequentemente confia no ajuste trabalhoso de parâmetros ou resultam em movimentos excessivamente conservadores que sacrificam a agilidade. Alinhando simulação e física real (o mais cedo possível) pode ser uma solução.

O mais rápido possível é uma estrutura de dois estágios desenvolvida pela NVIDIA em colaboração com a Universidade Carnegie Mellon que visa preencher a lacuna entre simulação e física real ao ensinar habilidades ágeis de corpo inteiro a robôs humanóides.

Na primeira etapa, O robô aprende a se mover em uma simulação usando dados adquiridos dos movimentos humanos. Este treinamento ocorre em um ambiente simulado com modelos físicos que tentam imitar a realidade da melhor maneira possível, Mas ainda existem diferenças entre o que a simulação prevê e como o robô se comporta na realidade.

Na segunda fase, As políticas treinadas são transferidas para o mundo real, onde dados reais sobre o comportamento do robô são coletados. Com base nisso, Um modelo de ação delta é criado, que compensa as diferenças entre a física simulada e real. Este modelo é então usado para ajustar os movimentos do robô, garantir que seu comportamento na realidade seja o mais preciso e estável possível.

No vídeo, Você pode ver robôs que imitam os movimentos de atletas famosos.