ASAP
Framework sim-a-real para habilidades ágiles de cuerpo completo humanoide usando modelos de acción delta
Licencia
MIT
Resumen
ASAP (Aligning Simulation and Real-World Physics) es un framework de dos etapas para transferir habilidades ágiles de cuerpo completo desde la simulación a robots humanoides reales. Aborda el problema fundamental de desajuste de dinámica entre la física simulada y la física del mundo real que hace que las políticas entrenadas fallen en el hardware real.
El framework introduce un novedoso modelo de acción delta que captura explícitamente las diferencias de física residuales entre la simulación y el mundo real. El pipeline consiste en cuatro etapas: preentrenamiento de seguimiento de movimiento basado en fase, entrenamiento del modelo de acción delta, ajuste fino de la política con el modelo de acción delta y despliegue en el mundo real.
ASAP está construido sobre HumanoidVerse, un framework multi-simulador que permite el entrenamiento en los simuladores IsaacGym, IsaacSim y Genesis. Usa modelos de cuerpo SMPL para el re-targeting de movimiento desde datos de captura de movimiento humano a robots humanoides, permitiendo que el Unitree G1 realice habilidades altamente dinámicas incluyendo patadas, saltos, movimientos de baile y movimientos atléticos.
Desarrollado en la Universidad Carnegie Mellon en colaboración con NVIDIA. Aceptado en RSS 2025.
ASAP (Aligning Simulation and Real-World Physics) es un framework de transferencia sim-to-real desarrollado en Carnegie Mellon University en colaboración con NVIDIA, aceptado en RSS 2025. Permite al robot humanoide Unitree G1 realizar habilidades dinámicas de cuerpo completo — incluyendo patadas, saltos, movimientos de baile y recuperaciones atléticas — que se transfieren directamente de la simulación al hardware real con una fidelidad notable.
La innovación central es el delta action model, un residual aprendido que captura explícitamente la brecha física entre la simulación y el mundo real. En lugar de intentar que el simulador reproduzca perfectamente la realidad, ASAP aprende qué es diferente y lo compensa. El pipeline de entrenamiento progresa a través de cuatro etapas: preentrenamiento de seguimiento de movimiento basado en fases, entrenamiento del delta action model, ajuste fino de la política con el modelo delta y despliegue en el mundo real mediante exportación ONNX.
ASAP está construido sobre HumanoidVerse, un framework de entrenamiento multi-simulador compatible con IsaacGym, IsaacSim y Genesis. Utiliza la retargetización del modelo corporal SMPL para transferir datos de captura de movimiento humano del dataset AMASS a la morfología del robot, habilitando un amplio repertorio de movimientos ágiles. Todo el pipeline de entrenamiento se ejecuta en GPUs NVIDIA con integración de Weights & Biases para el seguimiento de experimentos.
El proyecto representa una de las demostraciones más impresionantes de locomoción ágil humanoide transferida desde simulación, con el robot G1 realizando movimientos que anteriormente se consideraban demasiado dinámicos para una transferencia sim-to-real fiable.
Por qué importa
ASAP representa un avance importante en la transferencia sim-a-real para robots humanoides. Al aprender un modelo de acción delta explícito que captura la brecha de física entre simulación y realidad, permite que los robots humanoides realicen movimientos altamente dinámicos y ágiles que antes eran imposibles de transferir de forma fiable desde la simulación.
Qué problema resuelve
Salvar la brecha de dinámica entre la simulación de física y el hardware de robots del mundo real, que es el principal cuello de botella que impide que las políticas aprendidas ágiles funcionen en robots humanoides reales
Puntos clave
- El modelo de acción delta captura explícitamente las diferencias de física sim-a-real
- Habilita movimientos humanoides altamente ágiles incluyendo patadas, saltos y movimientos de baile en hardware real
- Construido sobre HumanoidVerse que soporta los simuladores IsaacGym, IsaacSim y Genesis
- Usa re-targeting de movimiento basado en SMPL desde captura de movimiento humano a cualquier robot humanoide
Para quién es
- Investigadores de robótica humanoide
- Investigadores de transferencia sim-a-real
- Practicantes de aprendizaje por refuerzo
- Ingenieros de control de movimiento
Limitaciones
- Demostrado principalmente en Unitree G1
- Requiere GPU NVIDIA con soporte IsaacGym
- Depende del conjunto de datos de captura de movimiento AMASS para el entrenamiento
- El despliegue en el mundo real requiere integración con ROS 2 y Unitree SDK