Dans le domaine de la robotique, l'écart entre les environnements simulés et le monde réel a toujours constitué un défi majeur. Récemment, les équipes du laboratoire GEAR de NVIDIA et de l'Université Carnegie Mellon ont conjointement développé un nouveau framework, appelé ASAP (Aligning Simulation and Real Physics), visant à réduire cet écart. Ce système a réalisé des progrès significatifs dans la réduction des erreurs de mouvement entre la simulation robotique et le mouvement réel, diminuant ces erreurs d'environ 53%, un avantage notable par rapport aux méthodes existantes.
Le framework ASAP fonctionne en deux étapes. Tout d'abord, le robot est entraîné dans un environnement virtuel, puis un modèle spécifique est utilisé pour gérer les différences du monde réel. Ce modèle apprend et ajuste les variations entre les mouvements virtuels et réels, permettant ainsi une conversion de mouvement plus précise. Grâce à ce système, le robot peut transférer directement des mouvements complexes, tels que des sauts et des coups de pied, de l'environnement simulé au monde réel.
Lors des tests réels, l'équipe de recherche a utilisé le robot humanoïde Unitree G1, démontrant avec succès une variété de mouvements agiles, comme des sauts en avant de plus d'un mètre. Les tests ont montré que le système ASAP surpassait clairement les autres méthodes existantes en termes de précision de mouvement. Pour illustrer le potentiel du système, les chercheurs ont même fait imiter au robot les mouvements de sportifs célèbres tels que Cristiano Ronaldo, LeBron James et Kobe Bryant. Cependant, des limitations matérielles sont apparues lors des expériences : les moteurs du robot surchauffaient fréquemment lors de mouvements dynamiques, et deux robots ont été endommagés lors de la collecte de données.
L'équipe de recherche a déclaré que ce n'était qu'un début. À l'avenir, le framework ASAP pourrait aider les robots à apprendre des mouvements plus naturels et plus diversifiés. Pour encourager la participation d'un plus grand nombre de chercheurs, le code a été rendu public sur GitHub, invitant d'autres chercheurs à explorer et développer ce framework plus avant.
Points clés :
🌟 Le framework ASAP développé par l'équipe de recherche réduit les erreurs de mouvement entre la simulation robotique et le mouvement réel d'environ 53 %.
🤖 Grâce à l'entraînement en environnement simulé et à un modèle spécifique, ASAP ajuste efficacement les performances motrices du robot dans le monde réel.
🏀 Lors des tests, le robot a réussi à imiter les mouvements de plusieurs stars du sport, mais des problèmes de surchauffe et de dommages matériels sont apparus lors des expériences.
