ASAP

Framework sim-para-real para habilidades ágeis humanoides de corpo inteiro usando modelos de ação delta

Licença

MIT

Visão geral

ASAP (Aligning Simulation and Real-World Physics) é um framework de dois estágios para transferir habilidades ágeis de corpo inteiro da simulação para robôs humanoides reais. Aborda o problema fundamental de incompatibilidade de dinâmica entre física simulada e física do mundo real que faz políticas treinadas falharem em hardware real.

O framework introduz um modelo de ação delta novel que captura explicitamente as diferenças de física residuais entre simulação e o mundo real. O pipeline consiste em quatro estágios: pré-treinamento de rastreamento de movimento baseado em fase, treinamento do modelo de ação delta, fine-tuning de política com o modelo de ação delta e implantação no mundo real.

ASAP é construído sobre HumanoidVerse, um framework multi-simulador que permite treinamento em IsaacGym, IsaacSim e simuladores Genesis. Usa modelos de corpo SMPL para retargeting de movimento de dados de captura de movimento humano para robôs humanoides, permitindo que o Unitree G1 execute habilidades altamente dinâmicas incluindo chutes, saltos, movimentos de dança e movimentos atléticos.

Desenvolvido na Carnegie Mellon University em colaboração com a NVIDIA. Aceito no RSS 2025.

ASAP (Aligning Simulation and Real-World Physics) é um framework de transferência sim-to-real desenvolvido na Carnegie Mellon University em colaboração com a NVIDIA, aceito no RSS 2025. Ele permite que o robô humanoide Unitree G1 execute habilidades dinâmicas de corpo inteiro — incluindo chutes, saltos, movimentos de dança e recuperações atléticas — que são transferidas diretamente da simulação para o hardware real com fidelidade notável.

A inovação central é o delta action model, um residual aprendido que captura explicitamente a lacuna física entre a simulação e o mundo real. Em vez de tentar fazer o simulador corresponder perfeitamente à realidade, o ASAP aprende o que é diferente e compensa. O pipeline de treinamento progride por quatro estágios: pré-treinamento de rastreamento de movimento baseado em fases, treinamento do delta action model, ajuste fino da política com o modelo delta e implantação no mundo real via exportação ONNX.

O ASAP é construído sobre o HumanoidVerse, um framework de treinamento multi-simulador que suporta IsaacGym, IsaacSim e Genesis. Ele utiliza retargeting do modelo corporal SMPL para transferir dados de captura de movimento humano do dataset AMASS para a morfologia do robô, possibilitando um amplo repertório de movimentos ágeis. Todo o pipeline de treinamento roda em GPUs NVIDIA com integração Weights & Biases para rastreamento de experimentos.

O projeto representa uma das demonstrações mais impressionantes de locomoção ágil de humanoides transferida da simulação, com o robô G1 executando movimentos que antes eram considerados dinâmicos demais para uma transferência sim-to-real confiável.

Por que importa

ASAP representa um grande avanço na transferência sim-para-real para robôs humanoides. Ao aprender um modelo de ação delta explícito que captura a lacuna de física entre simulação e realidade, permite que robôs humanoides executem movimentos altamente dinâmicos e ágeis que anteriormente eram impossíveis de transferir de forma confiável da simulação.

Problema que resolve

Preencher a lacuna de dinâmica entre simulação física e hardware robótico do mundo real, que é o principal gargalo impedindo que políticas aprendidas ágeis funcionem em robôs humanoides reais

Pontos principais

• Modelo de ação delta captura explicitamente diferenças de física sim-para-real
• Permite movimentos humanoides altamente ágeis incluindo chutes, saltos e movimentos de dança em hardware real
• Construído sobre HumanoidVerse suportando simuladores IsaacGym, IsaacSim e Genesis
• Usa retargeting de movimento baseado em SMPL de captura de movimento humano para qualquer robô humanoide

Para quem é

• Pesquisadores de robótica humanoide
• Pesquisadores de transferência sim-para-real
• Praticantes de aprendizado por reforço
• Engenheiros de controle de movimento

Limitações

• Principalmente demonstrado no Unitree G1
• Requer GPU NVIDIA com suporte a IsaacGym
• Depende do conjunto de dados de captura de movimento AMASS para treinamento
• Implantação no mundo real requer integração com ROS 2 e Unitree SDK