.hd-box .hd-fr

英伟达机器人跳 APT 舞流畅丝滑,科比 C 罗招牌动作完美复刻

2025-02-05 13:07新智元(编辑部 HYs)90评
感谢IT之家网友软媒新友1933769的线索投递!

机器人版科比、詹皇、C 罗真的来了!

只见「科比」后仰跳投,在赛场上大杀四方。

「C 罗」和「詹姆斯」也纷纷展示了自己的招牌庆祝动作。

以上这些还只是开胃菜,这款人形机器人还会侧跳、前跳、前踢、右踢,甚至能够完成深蹲、腿部拉伸等高难度动作。

更惊艳的是,它还会跳 APT 舞,非常嗨皮。

比起波士顿动力 Altas,如今人形机器人早已进化到人们难以想象的样子。正如 Figure 创始人所言,人形机器人 iPhone 时刻即将到来。

那么,能够成为「机器人界的科比」,究竟是用了什么魔法?

来自 CMU 和英伟达的华人研究团队重磅提出 ASAP,一个「real2sim2real」模型,能让人形机器人掌握非常流畅且动感的全身控制动作

它包含了两大阶段 ——预训练和后训练

在第一个阶段中,通过重定向的人体数据,在仿真环境中预训练运动跟踪策略。

在第二阶段,将这些策略部署到现实世界,并收集真实世界数据,训练一个 delta 动作模型,来弥补动力学差异。

然后,ASAP 把这个 delta 动作模型集成到仿真器中,对预训练策略进行微调,让它和现实世界的动力学更匹配。

英伟达高级研究科学家 Jim Fan 激动地表示,我们通过 RL 让人形机器人成功模仿 C 罗、詹姆斯和科比!

这些神经网络模型,正在英伟达 GEAR 实验室的真实硬件平台上运行。

在网上看到的多数机器人演示视频都是经过加速处理的,而我们特意「放慢动作速度」,让你能清晰观赏每个流畅的动作细节。

我们提出的 ASAP 模型采用了「真实 → 仿真 → 真实」方法,成功实现了人形机器人全身控制所需的超平滑动态运动。

我们首先在仿真环境对机器人进行预训练,但面临众所周知的仿真与现实差距:人工设计的物理方程难以准确模拟真实世界的动力学特性。

我们的解决方案简明有效:将预训练策略部署到实体机器人采集数据,随后在仿真环境回放动作记录。虽然回放过程必然产生偏差,但这些误差恰恰成为修正物理差异的关键数据源。通过额外神经网络学习差异参数,本质上是对传统物理引擎进行「动态校准」,使机器人能依托 GPU 的并行计算能力,在仿真环境中获得近乎真实的大规模训练体验。

未来属于混合仿真时代:既继承经典仿真引擎数十年锤炼的精准优势,又融合现代神经网络捕捉复杂现实世界的超凡能力,实现两者的协同进化。

一直以来,sim2real 是实现空间与具身智能的主要路径之一,被广泛应用在机器人仿真评估当中。

而 real2sim2real 直接打破了繁琐的动作微调的难题,弥合 sim2real 的差距,让机器人能够模仿各种类人的动作。

Jim Fan 对此畅想道,2030 年的人形机器人奥运会一定会是一场盛宴!

有网友期待地表示,真想看看它们打拳击的表现。

ASAP,机器人奥运会不远了

由于仿真环境和现实世界的动力学差异,人形机器人想实现敏捷又协调的全身运动仍是巨大的挑战。

现有方法,如系统识别(SysID)和域随机化(DR)通常要花大量时间调整参数,或者生成的策略过于保守,动作不够敏捷。

本文提出了 ASAP(Aligning Simulation and Real Physics)是一个两阶段框架,旨在解决动力学不匹配问题,实现敏捷的人形机器人全身动作

ASAP 实现了许多以前很难做到的高难度动作,展现出 delta 动作学习在缩小仿真与现实动力学差距方面的潜力。

ASAP 为「sim-to-real」提供了一个很有前景的方案,为开发更灵活、更敏捷的人形机器人指明了方向。

ASAP 具体步骤如下:

广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。

下载IT之家APP,分享赚金币换豪礼
相关文章
大家都在买广告
热门评论
查看更多评论