Гуманоидные роботы имеют потенциал для непревзойденной универсальности при выполнении человеческих навыков всего тела. Однако, Достижение гибких и скоординированных движений всего тела остается серьезной проблемой из-за динамического несоответствия между симуляцией и реальным миром. Существующие подходы, такие как идентификация системы (Sysid) и доменная рандомизация (ДР) методы, Часто полагайтесь на трудовую настройку параметров или приводят к чрезмерно консервативным движениям, которые жертвуют ловкостью. Выравнивание симуляции и реальной физики (как можно скорее) Может быть решением.

ASAP-это двухэтапная структура, разработанная NVIDIA в сотрудничестве с Университетом Карнеги-Меллона, целью которой является преодоление разрыва между симуляцией и реальной физикой при преподавании гибких навыков всего тела для гуманоидных роботов.

На первом этапе, Робот учится перемещаться в моделировании, используя данные, полученные из человеческих движений. Это обучение проходит в смоделированной среде с физическими моделями, которые пытаются имитировать реальность как можно лучше, Но все еще существуют различия между тем, что предсказывает моделирование и тем, как робот ведет себя в действительности.

На втором этапе, Обученная политика передается в реальный мир, где собираются реальные данные о поведении робота. На основе этого, Создана так называемая модель дельта, который компенсирует различия между смоделированной и реальной физикой. Эта модель затем используется для тонкой настройки движений робота, обеспечение того, чтобы его поведение в реальности было максимально точным и стабильным, насколько это возможно.

В видео, Вы можете увидеть роботов, которые подражают движениям известных спортсменов.