PACE Sim2Real
通过执行器动力学辨识实现系统化的仿真到现实迁移
许可证
Apache-2.0
概述
PACE（Precise Adaptation through Continuous Evolution）是苏黎世联邦理工学院 Robotic Systems Lab 推出的系统化框架，通过辨识执行器和关节动力学来改进腿式机器人的仿真到现实迁移。PACE 仅使用标准关节编码器，即可辨识电机动力学、摩擦、阻尼和关节柔顺性，这些正是最常造成现实差距的参数。该方法与硬件无关，已在多个四足机器人平台上验证，能显著减少仿真到现实的性能下降。
PACE（Precise Adaptation through Continuous Evolution，基于持续演化的精确适配）是苏黎世联邦理工学院机器人系统实验室推出的框架，用于解决腿式机器人的仿真到现实差距。它提供一种系统化方法，仅使用标准关节编码器即可辨识执行器和关节动力学参数，再利用这些参数构建更逼真的仿真。
其核心方法将数据驱动的系统辨识与 CMA-ES 演化优化相结合。通过在真实硬件上录制简单的运动轨迹，PACE 学习摩擦、阻尼和执行器响应特性等具有物理意义的参数。随后将这些参数应用到 NVIDIA Isaac Lab 的仿真环境中，使策略迁移效果大幅提升。
PACE 已在包括 ANYmal 在内的真实四足机器人平台上得到验证，在将强化学习训练的策略从仿真迁移到硬件时，运动性能有可量化的提升。该框架设计为与平台无关，支持多种机器人构型和执行器类型。
为何重要
PACE 解决了部署学习型运动策略的最大瓶颈之一：仿真与实体硬件之间的现实差距。它提供一种仅使用标准关节编码器即可辨识执行器动力学的系统化、数据驱动方法，让人无需昂贵的传感器配置即可实现高保真的仿真到现实迁移。
解决的问题
在仿真中训练的强化学习策略在真实机器人上常常失效，因为仿真器对执行器动力学、摩擦和关节行为的建模很差。PACE 从真实硬件数据中学习具有物理意义的动力学参数，再将其应用回仿真，从而大幅提升迁移的保真度。
要点
- 使用 CMA-ES 演化优化辨识执行器和关节动力学参数
- 仅需标准关节编码器——无需额外传感器
- 直接集成 NVIDIA Isaac Lab，打通仿真到现实工作流
- 开箱即支持多种机器人平台和执行器类型
- 由苏黎世联邦理工学院机器人系统实验室开发，并在真实四足机器人上验证
适用人群
- 从事运动控制和仿真到现实迁移的腿式机器人研究人员
- 将学习到的策略从仿真部署到实体机器人的强化学习从业者
- 需要精确执行器模型以提高仿真保真度的机器人工程师
- 希望改进仿真到现实流程的 NVIDIA Isaac Lab 用户
局限
- 完整功能需要 NVIDIA Isaac Lab（以及 Isaac Sim 5.0+）
- 目前专注于腿式机器人——对其他类型机器人的适用性尚未验证
- Isaac Sim 的 GPU 要求可能限制其在消费级硬件上的使用
- 参数辨识需要先采集真实硬件的运动数据