Развитие робототехники всегда сталкивалось с разрывом между моделируемой средой и реальным миром. Лаборатория NVIDIA Gear и исследовательская группа Университета Карнеги -Меллона недавно совместно разработали новую структуру под названием ASAP, нацеленная на то, чтобы сократить разрыв и добиться значительного прогресса.
В развитии робототехники разрыв между моделируемой средой и реальным миром всегда был серьезной проблемой. Недавно исследовательская группа NVIDIA Gear и исследовательская группа Университета Карнеги -Меллона совместно разработали новую структуру под названием ASAP (Aligning Simulation и Real Physics), направленная на то, чтобы сократить пробел. Система добилась значительного прогресса в уменьшении моделирования роботов и ошибки движения в реальном жизнении и способна уменьшить ошибки движения примерно на 53%, что имеет значительное преимущество перед существующими методами.
Рабочий процесс рамки ASAP делится на два этапа. Во-первых, робот обучается в виртуальной среде, а затем использует специальную модель для решения реальных различий. Эта модель может изучать и регулировать различия между виртуальным и фактическим движением, что позволяет более точным преобразованиям действий. Благодаря этой системе робот может напрямую переносить сложные движения, такие как прыжки и удар, от моделируемой среды к реальности.
В фактическом тестировании исследовательская группа использовала гуманоидный робот Unite G1, который успешно продемонстрировал множество гибких движений, таких как прямой прыжок более одного метра. Тесты показывают, что система ASAP значительно превосходит другие существующие методы в точности движения. Чтобы продемонстрировать потенциал системы, исследователи даже позволили роботу подражать движениям известных спортсменов, таких как Криштиану Роналду, Леброн Джеймс и Коби Брайант. Тем не менее, некоторые аппаратные ограничения также были обнаружены во время экспериментов, двигатель робота часто перегрелся при выполнении динамических движений, и при сборе данных два робота были повреждены.
Это только начало, сказала исследовательская группа. В будущем структура ASAP может помочь роботам изучать более естественные и разнообразные движения. Чтобы облегчить большее участие исследователей, они публично опубликовали код на GitHub, побуждая других исследователей дальнейшего изучения и разработки на основе структуры.
Ключевые моменты:
Структура ASAP, разработанная исследовательской группой, может уменьшить ошибку примерно на 53% между моделированием роботов и реальным движением.
Обучение в моделируемой среде и в сочетании со специальными моделями, ASAP может эффективно регулировать производительность движения робота в реальности.
Во время теста робот успешно имитировал движения нескольких спортивных звезд, но во время эксперимента были проблемы с перегревом оборудования и повреждениями оборудования.
Запуск Framework ASAP принесла новую надежду на разработку технологии робототехники и, как ожидается, будет применяться в большем количестве областей в будущем.