|
|
本帖最后由 leok 于 2025-2-10 16:10 编辑
人形机器人在执行类似人类的全身技能方面具有无与伦比的多功能性。然而，由于模拟和现实世界之间的动态不匹配，实现敏捷和协调的全身运动仍然是一项重大挑战。现有方法，例如系统识别 (SysID) 和域随机化 (DR) 方法，通常依赖于劳动密集型参数调整，或导致过于保守的策略而牺牲敏捷性。了 ASAP（对齐模拟和现实世界物理），这是一个两阶段框架，旨在解决动态不匹配问题并实现敏捷的人形全身技能。在第一阶段，使用重新定位的人体运动数据在模拟中预训练运动跟踪策略。在第二阶段，在现实世界中部署策略并收集现实世界数据以训练增量（残差）动作模型来补偿动态不匹配。然后，ASAP 使用集成到模拟器中的增量动作模型对预训练策略进行微调，以有效地与现实世界动态保持一致。在三种转移场景中评估了 ASAP：从 IsaacGym 到 IsaacSim、从 IsaacGym 到 Genesis 以及从 IsaacGym 到现实世界的 Unitree G1 人形机器人。方法显著提高了各种动态运动中的敏捷性和全身协调性，与 SysID、DR 和 delta 动力学学习基线相比，减少了跟踪误差。ASAP 实现了以前难以实现的高度敏捷运动，展示了 delta 动作学习在连接模拟和现实世界动态方面的潜力。这些结果表明，从模拟到现实，开发更具表现力和敏捷性的人形机器人是一个有希望的方向。
|
|
收藏
闽公网安备 35010202001061号