ASAP
使用增量动作模型进行敏捷人形全身技能仿真到现实迁移的框架
许可证
MIT
概述
ASAP（仿真与真实世界物理对齐）是一个两阶段框架，用于将敏捷全身技能从仿真迁移到真实人形机器人。它解决了仿真物理与真实世界物理之间的根本动力学不匹配问题，这一问题会导致训练好的策略在真实硬件上失败。
该框架引入了新颖的增量动作模型，显式捕捉仿真与真实世界之间的残差物理差异。流水线由四个阶段组成：基于相位的运动追踪预训练、增量动作模型训练、使用增量动作模型的策略微调，以及真实世界部署。
ASAP 基于 HumanoidVerse 构建，这是一个多仿真器框架，允许在 IsaacGym、IsaacSim 和 Genesis 模拟器之间进行训练。它使用 SMPL 身体模型将人体运动捕捉数据重定向到人形机器人，使 Unitree G1 能够执行高度动态的技能，包括踢腿、跳跃、舞蹈动作和运动技能。
由卡内基梅隆大学与 NVIDIA 合作开发，已被 RSS 2025 接受。
ASAP（Aligning Simulation and Real-World Physics）是由Carnegie Mellon University与NVIDIA合作开发的仿真到现实迁移框架，已被RSS 2025接收。该框架使Unitree G1人形机器人能够执行高度动态的全身技能——包括踢腿、跳跃、舞蹈动作和运动恢复——这些技能可以从仿真环境直接迁移到真实硬件上，并保持极高的保真度。
其核心创新是delta动作模型，这是一种学习到的残差，能够显式捕捉仿真与真实世界之间的物理差距。ASAP不是试图让仿真器完美匹配现实，而是学习两者之间的差异并进行补偿。训练流程分为四个阶段：基于相位的运动跟踪预训练、delta动作模型训练、结合delta模型的策略微调，以及通过ONNX导出进行真实世界部署。
ASAP构建于HumanoidVerse之上，这是一个支持IsaacGym、IsaacSim和Genesis的多仿真器训练框架。它使用SMPL人体模型重定向技术，将AMASS数据集中的人体动作捕捉数据转换为机器人的形态结构，从而实现丰富的敏捷动作库。整个训练流程在NVIDIA GPU上运行，并集成了Weights & Biases用于实验跟踪。
该项目代表了从仿真迁移敏捷人形运动的最令人印象深刻的演示之一，G1机器人能够执行此前被认为对于可靠的仿真到现实迁移来说过于动态的运动。
为何重要
ASAP 在人形机器人仿真到现实迁移领域代表了重大进展。通过学习一个显式捕捉仿真与现实之间物理差距的增量动作模型，它使人形机器人能够执行以前无法从仿真中可靠迁移的高度动态和敏捷动作。
解决的问题
弥合物理仿真与真实世界机器人硬件之间的动力学差距，这是阻止敏捷学习策略在真实人形机器人上有效运作的主要瓶颈
要点
- 增量动作模型显式捕捉仿真到现实的物理差异
- 使人形机器人能够在真实硬件上执行高度敏捷的动作，包括踢腿、跳跃和舞蹈动作
- 基于 HumanoidVerse 构建，支持 IsaacGym、IsaacSim 和 Genesis 模拟器
- 使用基于 SMPL 的运动重定向将人体动作捕捉数据迁移到任意人形机器人
适用人群
- 人形机器人研究人员
- 仿真到现实迁移研究人员
- 强化学习从业者
- 运动控制工程师
局限
- 主要在 Unitree G1 上演示
- 需要支持 IsaacGym 的 NVIDIA GPU
- 依赖 AMASS 运动捕捉数据集进行训练
- 真实世界部署需要 ROS 2 和 Unitree SDK 集成