作者 | 許麗思
編輯 | 漠影
繼在春晚舞臺扭秧歌引起全網熱議後，宇樹的人形機器人這次又進軍體育界了。
智東西2月5日報道，這兩天，英偉達與CMU（卡耐基梅隆大學）研究團隊共同釋出了ASAP框架（Aligning Simulation and Real Physics，模擬與真實物理對齊）。這是一個real2sim2real模型，團隊還把這個框架應用於宇樹G1人形機器人，顯著提升了機器人的靈活性與協調性，讓機器人能夠完成多種複雜的類人動作。
應用了ASAP框架的宇樹G1機器人，可以學著科比一氣呵成完成後仰、跳躍、投籃的系列動作，然後平穩著地。
它可以變身足球巨星C羅，完成標誌性的慶祝動作“siu”等。
也會學著像詹姆斯一樣，進行拉伸、胯下運球動作。
緊跟潮流的機器人，還跳上了APT舞。
另外，它還可以完成1.5米立定跳遠、側邊跳躍、踢腿等眾多高難度動作。
英偉達高階研究科學家Jim Fan興奮談道，相較於在網上看到的多數機器人演示影片都是經過加速處理的，團隊特意放慢動作速度，讓公眾能清晰觀賞每個流暢的動作細節。
Jim Fan還介紹，ASAP模型採用了“真實-模擬-真實”方法，具體來說，團隊將預訓練策略部署到實體機器人採集資料，隨後在模擬環境回放動作記錄。雖然回放過程必然產生偏差，但這些誤差恰恰成為修正物理差異的關鍵資料來源。
透過額外神經網路學習差異引數，本質上是對傳統物理引擎進行“動態校準”，使機器人能依託GPU的平行計算能力，在模擬環境中獲得近乎真實的大規模訓練體驗。
Jim Fan還暢想，2030年的人形機器人奧運會必然是一場盛事。
不少網友也在評論區熱議，期待在將來能夠看到機器人拳擊大賽、機器人籃球聯賽。
CMU助理教授、論文共同作者Guanya Shi介紹，ASAP框架分為兩個階段：
第一階段預訓練一個基於相位的動作跟蹤策略，以在模擬中模仿人類動作。第二階段在現實世界中執行該策略以收集資料，學習一個殘差動作模型來補償動力學不匹配，最後用學習到的殘差模型對預訓練策略進行微調。
他解釋，ASAP不僅適用於模擬到現實的遷移，它還提供了一個通用框架來對齊訓練和部署環境中的物理特性。
為了促進不同模擬器之間的平滑遷移，團隊還發布了HumanoidVerse，這是一個多模擬器人形機器人學習框架，能將模擬器、任務和演算法分離並模組化，使得在不同模擬器和任務之間切換時只需最小的工作量。
論文共同一作、CMU機器人研究所的碩士生張遠航提到，real2sim2real無需像sim2real一樣進行無休止的動作調整，能夠彌補sim2real的差距，從而讓機器人能夠模仿許多類人的敏捷動作。
ASAP框架有以下四個具體步驟：
1、運動跟蹤預訓練與真實軌跡收集：先從真人影片中提取動作並重定向到機器人上，預訓練多個運動跟蹤策略，生成真實世界的運動軌跡。
2、Delta動作模型訓練：基於真實世界軌跡資料，訓練Delta動作模型，縮小模擬狀態與真實世界狀態之間的差異。
3、策略微調：Delta動作模型訓練完成後，將其整合到模擬器中，使模擬器能匹配真實世界的物理特性，隨後對之前預訓練的運動跟蹤策略進行微調。
4、真實世界部署：在真實環境中部署微調後的策略，此時不再需要Delta動作模型了。
ASAP框架的提出，為縮小sim2real之間差距提供了全新思路，也有效解決了動力學不匹配問題，讓機器人做出高度類人的敏捷的動作，並顯著降低運動跟蹤誤差，另外，ASAP是完全開源的，有望加速相關技術的研究與應用。
論文地址如下：
https://agile.human2humanoid.com/