ASAP

Framework sim-to-real per abilità agili del corpo intero di umanoidi tramite modelli delta action

Licenza

MIT

Panoramica

ASAP (Aligning Simulation and Real-World Physics) è un framework in due fasi per trasferire abilità agili del corpo intero dalla simulazione a robot umanoidi reali. Affronta il problema fondamentale della discrepanza dinamica tra la fisica simulata e la fisica del mondo reale, che fa fallire le policy addestrate sull'hardware reale.

Il framework introduce un nuovo modello delta action che cattura esplicitamente le differenze fisiche residue tra la simulazione e il mondo reale. La pipeline si compone di quattro fasi: pre-addestramento del motion tracking basato sulle fasi, addestramento del modello delta action, fine-tuning della policy con il modello delta action e impiego nel mondo reale.

ASAP è costruito su HumanoidVerse, un framework multi-simulatore che consente l'addestramento su IsaacGym, IsaacSim e Genesis. Usa i modelli corporei SMPL per il retargeting del movimento dai dati di motion capture umani ai robot umanoidi, permettendo all'Unitree G1 di eseguire abilità altamente dinamiche, tra cui calci, salti, passi di danza e movimenti atletici.

Sviluppato alla Carnegie Mellon University in collaborazione con NVIDIA. Accettato a RSS 2025.

ASAP (Aligning Simulation and Real-World Physics) è un framework di trasferimento sim-to-real sviluppato alla Carnegie Mellon University in collaborazione con NVIDIA, accettato a RSS 2025. Permette al robot umanoide Unitree G1 di eseguire abilità di tutto il corpo altamente dinamiche, tra cui calci, salti, passi di danza e recuperi atletici, che si trasferiscono direttamente dalla simulazione all'hardware reale con notevole fedeltà.

L'innovazione centrale è il modello delle azioni delta, un residuo appreso che cattura esplicitamente il divario fisico tra simulazione e mondo reale. Invece di cercare di far corrispondere perfettamente il simulatore alla realtà, ASAP impara cosa è diverso e lo compensa. La pipeline di addestramento procede in quattro fasi: pre-addestramento con inseguimento del movimento basato su fasi, addestramento del modello delle azioni delta, fine-tuning della policy con il modello delta e impiego nel mondo reale tramite esportazione ONNX.

ASAP si basa su HumanoidVerse, un framework di addestramento multi-simulatore che supporta IsaacGym, IsaacSim e Genesis. Usa il retargeting del modello corporeo SMPL per trasferire i dati di motion capture umani del dataset AMASS alla morfologia del robot, permettendo un ampio repertorio di movimenti agili. L'intera pipeline di addestramento gira su GPU NVIDIA con l'integrazione di Weights & Biases per il tracciamento degli esperimenti.

Il progetto è una delle dimostrazioni più impressionanti di locomozione agile di un umanoide trasferita dalla simulazione, con il robot G1 che esegue movimenti prima considerati troppo dinamici per un trasferimento sim-to-real affidabile.

Perché è importante

ASAP rappresenta un importante progresso nel trasferimento sim-to-real per i robot umanoidi. Imparando un modello delta action esplicito che cattura il divario fisico tra simulazione e realtà, consente ai robot umanoidi di eseguire movimenti altamente dinamici e agili che prima era impossibile trasferire in modo affidabile dalla simulazione.

Il problema che risolve

Colmare il divario dinamico tra la simulazione fisica e l'hardware robotico reale, che è il principale collo di bottiglia che impedisce alle policy agili apprese di funzionare su robot umanoidi reali

Punti chiave

• Il modello delta action cattura esplicitamente le differenze fisiche sim-to-real
• Consente movimenti umanoidi molto agili, tra cui calci, salti e passi di danza, sull'hardware reale
• Costruito su HumanoidVerse, con supporto per i simulatori IsaacGym, IsaacSim e Genesis
• Usa il retargeting del movimento basato su SMPL dal motion capture umano a qualsiasi robot umanoide

A chi si rivolge

• Ricercatori di robotica umanoide
• Ricercatori del trasferimento sim-to-real
• Professionisti dell'apprendimento per rinforzo
• Ingegneri del controllo del movimento

Limiti

• Dimostrato principalmente su Unitree G1
• Richiede una GPU NVIDIA con supporto IsaacGym
• Dipende dal dataset di motion capture AMASS per l'addestramento
• L'impiego nel mondo reale richiede l'integrazione di ROS 2 e Unitree SDK