Humanoidrobotar har potentialen för enastående mångsidighet när det gäller att utföra mänskliga färdigheter i hela kroppen. Emellertid, Att uppnå smidiga och samordnade rörelser i hela kroppen är fortfarande en betydande utmaning på grund av den dynamiska missförhållandet mellan simulering och den verkliga världen. Befintliga tillvägagångssätt, som systemidentifiering (Synd) och domän randomisering (DR) metoder, förlitar sig ofta på mödosam parameterinställning eller resulterar i alltför konservativa rörelser som offrar smidighet. Anpassa simulering och verklig fysik (Så fort) kan vara en lösning.

ASAP är ett tvåstegsram som utvecklats av NVIDIA i samarbete med Carnegie Mellon University som syftar till att överbrygga klyftan mellan simulering och verklig fysik när man undervisar smidiga färdigheter i hela kroppen till humanoidrobotar.

I det första steget, Roboten lär sig att flytta i en simulering med data som förvärvats från mänskliga rörelser. Denna träning sker i en simulerad miljö med fysiska modeller som försöker efterlikna verkligheten så bra som möjligt, Men det finns fortfarande skillnader mellan vad simuleringen förutsäger och hur roboten beter sig i verkligheten.

I den andra fasen, Den utbildade policyn överförs till den verkliga världen, där verkliga data om robotens beteende samlas in. Baserat på detta, En så kallad Delta Action-modell skapas, som kompenserar för skillnaderna mellan den simulerade och verkliga fysiken. Denna modell används sedan för att finjustera robotens rörelser, säkerställa att dess beteende i verkligheten är så exakt och stabilt som möjligt.

I videon, Du kan se robotar som imiterar rörelser från berömda idrottare.