Abstract

人形机器人具有无与伦比的多功能性，可以执行类似人类的全身技能。然而，由于模拟和现实世界之间的动力学不匹配，实现敏捷和协调的全身运动仍然是一个重大挑战。现有的方法，如系统识别（SysID）和域随机化（DR）方法，通常依赖于劳动密集型的参数调整，或者导致牺牲敏捷性的过于保守的策略。在本文中，我们提出了ASAP（对齐模拟和真实物理），这是一个两阶段框架，旨在解决动力学失配问题，并实现敏捷的人形全身技能。

在第一阶段，我们使用重定向的人体运动数据在仿真中预先训练运动跟踪策略。在第二阶段，我们在现实世界中部署策略并收集现实世界的数据，以训练一个增量（残差）行动模型来补偿动态不匹配。然后，ASAP将预先训练好的策略与集成到模拟器中的增量行动模型进行微调，以有效地与现实世界的动态保持一致。我们评估了ASAP在三种转移场景中的表现——IsaacGym到IsaacSim，IsaacGym到Genesis，IsaacGym到现实世界的Unitree G1人形机器人。我们的方法显著提高了各种动态运动的敏捷性和全身协调性，与SysID、DR和增量动力学学习基线相比，减少了跟踪误差。

ASAP能够实现以前难以实现的高度敏捷的运动，展示了增量动作学习在桥接模拟和现实世界动力学方面的潜力。这些结果为开发更具表现力和敏捷性的类人机器人提供了一个有前景的方向。

（下滑阅读全文）

更多产品信息：

https://agile.human2humanoid.com

代码地址：

https://github.com/LeCAR-Lab/ASAP