Los robots humanoides han alcanzado un nuevo nivel de destreza gracias a ASAP (Aligning Simulation and Real-World Physics), un innovador marco de aprendizaje desarrollado por la Universidad Carnegie Mellon y NVIDIA. Este sistema mejora la capacidad de los humanoides para ejecutar movimientos ágiles y coordinados de cuerpo completo, superando los desafíos del desajuste dinámico entre la simulación y la realidad.
El humanoide Unitree G1 imita movimientos difíciles con precisión
El Unitree G1 ha demostrado ser capaz de ejecutar movimientos altamente dinámicos y desafiantes. Puede replicar el giro en el aire de Cristiano Ronaldo con precisión, imitando su icónica celebración “Siu“. También ha logrado realizar el fadeaway característico de Kobe Bryant, demostrando una coordinación avanzada en el salto y lanzamiento. Además, ha ejecutado con éxito el “Silencer” de LeBron James, manteniendo el equilibrio sobre una sola pierna, tal como se muestra en el siguiente video.
Más allá de los movimientos de carácter deportivo, el robot ha logrado realizar saltos hacia adelante y laterales de más de un metro, mejorando su capacidad de reacción y desplazamiento, así como mantener el equilibrio en superficies irregulares, ajustándose en tiempo real a los cambios en el terreno.
Etapas del marco de aprendizaje ASAP
ASAP se compone de cuatro pasos clave:
- Entrenamiento previo: Se utilizan datos de movimiento humano reorientados para preentrenar políticas de seguimiento en simulación.
- Modelo de acción delta: Se recopilan datos del mundo real para entrenar un modelo que compensa el desajuste dinámico entre simulación y realidad.
- Ajuste fino: Se integra el modelo de acción delta en el simulador para refinar las políticas de movimiento.
- Implementación real: Se despliega la política ajustada en el mundo real sin necesidad del modelo de acción delta.
Robots cada vez más ágiles
El entrenamiento de robots humanoides ha enfrentado obstáculos significativos debido a las diferencias entre la simulación y el mundo real. Métodos tradicionales como la Identificación de Sistemas (SysID) y la Aleatorización de Dominios (DR) suelen generar políticas conservadoras que sacrifican agilidad. ASAP introduce un enfoque de dos etapas que ajusta dinámicamente las políticas de movimiento para mejorar la coordinación y el realismo de los movimientos.
ASAP ha sido probado en distintos entornos, incluyendo IsaacGym, IsaacSim, Genesis y el robot humanoide Unitree G1, tal como se ve en el video. Los resultados muestran una mejora sustancial en la precisión del seguimiento de movimientos, reduciendo el error en comparación con enfoques tradicionales. Esto permite a los humanoides replicar con mayor fidelidad movimientos complejos, como giros en el aire y equilibrio en un solo pie.
¡Síguenos en las redes sociales y no te pierdas ninguna de nuestras publicaciones!
YouTube LinkedIn Facebook Instagram X (Twitter) TikTok
Fuente y fotos: Universidad Carnegie Mellon y NVIDIA
