ASAP

Sim-to-Real-Framework für agile humanoide Ganzkörper-Fähigkeiten mit Delta-Aktionsmodellen

Lizenz

MIT

Überblick

ASAP (Aligning Simulation and Real-World Physics) ist ein zweistufiges Framework, um agile Ganzkörperfähigkeiten aus der Simulation auf reale humanoide Roboter zu übertragen. Es geht das grundlegende Problem der Dynamikabweichung zwischen simulierter und realer Physik an, an dem trainierte Policies auf echter Hardware scheitern.

Das Framework führt ein neuartiges Delta-Action-Modell ein, das die verbleibenden Physikunterschiede zwischen Simulation und realer Welt explizit erfasst. Die Pipeline besteht aus vier Stufen: phasenbasiertes Vortraining zur Bewegungsverfolgung, Training des Delta-Action-Modells, Feinabstimmung der Policy mit dem Delta-Action-Modell und Einsatz in der realen Welt.

ASAP basiert auf HumanoidVerse, einem Multi-Simulator-Framework, das Training in den Simulatoren IsaacGym, IsaacSim und Genesis ermöglicht. Es nutzt SMPL-Körpermodelle für das Retargeting menschlicher Motion-Capture-Daten auf humanoide Roboter und ermöglicht dem Unitree G1 hochdynamische Fähigkeiten wie Tritte, Sprünge, Tanzbewegungen und athletische Bewegungen.

Entwickelt an der Carnegie Mellon University in Zusammenarbeit mit NVIDIA. Angenommen auf der RSS 2025.

ASAP (Aligning Simulation and Real-World Physics) ist ein Sim-to-Real-Transfer-Framework, das an der Carnegie Mellon University in Zusammenarbeit mit NVIDIA entwickelt und bei RSS 2025 angenommen wurde. Es ermöglicht dem humanoiden Roboter Unitree G1, hochdynamische Ganzkörperbewegungen auszuführen — darunter Tritte, Sprünge, Tanzbewegungen und athletische Ausgleichsbewegungen — die sich mit bemerkenswerter Genauigkeit direkt aus der Simulation auf reale Hardware übertragen lassen.

Die zentrale Innovation ist das Delta-Action-Modell, ein gelerntes Residuum, das die physikalische Lücke zwischen Simulation und realer Welt explizit erfasst. Anstatt zu versuchen, den Simulator perfekt an die Realität anzupassen, lernt ASAP, worin die Unterschiede bestehen, und kompensiert diese. Die Trainingspipeline durchläuft vier Stufen: phasenbasiertes Vortraining zur Bewegungsverfolgung, Training des Delta-Action-Modells, Feinabstimmung der Policy mit dem Delta-Modell und Deployment in der realen Welt über ONNX-Export.

ASAP basiert auf HumanoidVerse, einem Multi-Simulator-Trainingsframework mit Unterstützung für IsaacGym, IsaacSim und Genesis. Es nutzt SMPL-Körpermodell-Retargeting, um menschliche Motion-Capture-Daten aus dem AMASS-Datensatz auf die Morphologie des Roboters zu übertragen und so ein breites Repertoire agiler Bewegungen zu ermöglichen. Die gesamte Trainingspipeline läuft auf NVIDIA-GPUs mit Weights & Biases-Integration zur Experimentverfolgung.

Das Projekt stellt eine der beeindruckendsten Demonstrationen agiler humanoider Fortbewegung dar, die aus der Simulation übertragen wurde. Der G1-Roboter führt dabei Bewegungen aus, die bisher als zu dynamisch für einen zuverlässigen Sim-to-Real-Transfer galten.

Warum es wichtig ist

ASAP stellt einen bedeutenden Fortschritt im Sim-to-Real-Transfer für Humanoid-Roboter dar. Durch das Erlernen eines expliziten Delta-Aktionsmodells, das die Physiklücke zwischen Simulation und Realität erfasst, ermöglicht es Humanoid-Robotern, hochdynamische und agile Bewegungen auszuführen, die zuvor nicht zuverlässig aus der Simulation übertragen werden konnten.

Welches Problem es löst

Überbrückung der Dynamiklücke zwischen Physiksimulation und realer Roboterhardware – der wichtigste Engpass, der verhindert, dass agile gelernte Policies auf realen humanoiden Robotern funktionieren

Wichtigste Punkte

• Delta-Aktionsmodell erfasst explizit Sim-to-Real-Physikdifferenzen
• Ermöglicht hochagile humanoide Bewegungen einschließlich Tritte, Sprünge und Tanzbewegungen auf echter Hardware
• Basiert auf HumanoidVerse, das IsaacGym, IsaacSim und Genesis-Simulatoren unterstützt
• Verwendet SMPL-basiertes Motion-Retargeting von Human-Motion-Capture auf jeden Humanoid-Roboter

Für wen

• Humanoid-Robotikforscher
• Sim-to-Real-Transfer-Forscher
• Reinforcement-Learning-Praktiker
• Bewegungssteuerungs-Ingenieure

Einschränkungen

• Primär auf Unitree G1 demonstriert
• Erfordert NVIDIA-GPU mit IsaacGym-Unterstützung
• Hängt vom AMASS-Motion-Capture-Datensatz für Training ab
• Real-World-Deployment erfordert ROS 2 und Unitree SDK-Integration