ASAP是什么
ASAP（Aligning Simulation and Real Physics）是卡内基梅隆大学和英伟达联合推出的，用在解决仿人机器人模拟与现实动力学不匹配问题的两阶段框架。ASAP基于预训练阶段在模拟环境中学习运动跟踪策略，用人类运动数据生成目标动作。在后训练阶段，ASAP收集真实世界的运动数据，训练Delta动作模型补偿模拟与现实之间的动力学差异，基于微调策略使其适应真实物理环境。框架显著提高了仿人机器人在复杂运动中的敏捷性和全身协调能力，降低了运动跟踪误差，实现从模拟到现实的高效技能迁移，为开发更具表现力和敏捷性的仿人机器人提供新的技术路径。
ASAP的主要功能
- 敏捷全身技能的迁移：将模拟环境中训练得到的运动控制策略高效地迁移到真实机器人上，执行复杂的全身运动，如跳跃、平衡、快速转身等。
- 动力学补偿与适应：基于学习Delta动作模型，自动补偿模拟与现实之间的动力学差异，包括硬件特性、摩擦力、惯性参数等，让机器人在真实环境中表现出与模拟中类似的性能。
- 提高运动跟踪精度：显著降低机器人在执行任务时的运动跟踪误差，提高动作的准确性和稳定性，在复杂的动态任务中能保持良好的性能。
- 增强的泛化能力：框架适用于预训练时使用的特定运动，能对未见过的运动（即“out-of-distribution”）进行有效适应，增强机器人在真实世界中的泛化能力。
ASAP的技术原理
- 预训练阶段（Pre-training）：
- 数据生成：从人类运动视频中提取动作数据，重新定位到机器人模型上，生成用于训练的运动数据集。
- 运动跟踪策略训练：在模拟环境中，用强化学习（Reinforcement Learning, RL）训练运动跟踪策略，让机器人能跟踪预定义的动作轨迹。策略基于时间相位变量进行训练，适应不同长度的动作序列。
- 后训练阶段（Post-training）：
- 真实世界数据收集：将预训练的策略部署到真实机器人上，收集在执行任务时的运动数据，包括关节位置、速度、加速度等信息。
- Delta动作模型训练：基于收集到的真实世界数据，训练Delta动作模型。模型基于最小化模拟状态和真实状态之间的差异，学习如何补偿动力学不匹配。具体来说，Delta动作模型输出一个“修正动作”（delta action），添加到原始动作中，调整模拟环境的动力学特性。
- 策略微调：将训练好的Delta动作模型集成到模拟器中，对预训练的运动跟踪策略进行微调。基于在修正后的模拟环境中继续训练，策略能更好地适应真实世界的物理特性，提高在真实机器人上的表现。
ASAP的项目地址
- 项目官网：https://agile.human2humanoid.com/
- GitHub仓库：https://github.com/LeCAR-Lab/ASAP
- arXiv技术论文：https://arxiv.org/pdf/2502.01143
ASAP的应用场景
- 体育与表演：机器人模拟运动员动作，用在体育训练、动作分析和表演，提升视觉效果。
- 灾难救援：机器人执行敏捷动作，快速到达危险区域执行救援任务，提高救援效率。
- 工业制造：机器人适应复杂工业任务，提高生产效率和灵活性，减少错误。
- 家庭服务：机器人完成日常家务，协助老人或残疾人，提供便利和安全支持。
- 虚拟现实与游戏：生成逼真虚拟角色动作，提升游戏沉浸感和开发效率。
