ASAP：用于学习敏捷人形全身技能的仿真与真实世界物理对齐

人形机器人具有无与伦比的灵活性，能够执行类人全身技能。然而，由于仿真与真实世界之间的动力学差异，实现敏捷协调的全身运动仍然是一个重大挑战。现有方法，如系统识别（SysID）和域随机化（DR）方法，往往依赖繁琐的参数调谐，或导致保守的策略以牺牲敏捷性为代价。本文提出ASAP（Aligning Simulation and Real-World Physics），一个两阶段框架，用于解决动力学差异问题并实现敏捷人形全身技能。在第一阶段，我们使用从人类运动数据中 retarget 的运动，在仿真中预训练运动跟随策略。在第二阶段，我们在真实世界中部署这些策略并收集真实世界数据，以训练一种 delta（残差）动作模型来补偿动力学差异。然后，ASAP将预训练的策略与 delta 动作模型集成到仿真器中进行微调，以有效地与真实世界动力学对齐。我们在三个迁移场景上评估了ASAP：从IsaacGym到IsaacSim、从IsaacGym到Genesis，以及从IsaacGym到真实世界的Unitree G1人形机器人。ASAP在各种动态运动中显著提高了敏捷性和全身协调性，相较于SysID、DR和delta动力学学习基线方法，跟踪误差显著降低。ASAP实现了以前难以实现的高度敏捷运动，表明delta动作学习在桥接仿真与真实世界动力学方面具有潜力。这些结果表明，ASAP为开发更具表达性和敏捷性的人形机器人提供了有前景的仿真到真实世界的路径。