宇树人形『机器人』️的"运动细胞"也太丰富了！前脚H1还在春晚上扭得风生水起：
后脚G1就上演了一出“体坛巨星模仿秀”。科比附体：后仰跳投时，『机器人』️精准控制重心，起跳、投篮一气呵成，落地平稳：
C罗招牌：进球后腾空半转身：
双臂张开完成标志性“siu”庆祝动作，关节协调性堪比真人：
詹姆斯霸王步：胯下运球后迈出霸气步伐，动作连贯无卡顿;
甚至能完成1.5米立定跳远、侧边跳跃、踢腿等高难度动作。
更让人惊艳的是,视频里这些动作都不是加速播放的效果。『英伟达』高级研究科学家Jim Fan还特意把视频放慢，就是要让大家看清楚每个动作有多流畅自然。
这波操作的背后,是『英伟达』和CMU(卡内基梅隆大学)研究团队最新发布的ASAP框架。它让宇树G1『机器人』️一举突破了困扰业界多年的"模拟到现实"鸿沟，实现了前所未有的运动控制效果。
而且ASAP的论文和代码都开源了。网友连夜送上表情包套餐：
@洛杉矶四点半：“现在『机器人』️能一周7天/每天25小时训练，人类的黑曼巴精神算什么？“
@帅罗忠实铁粉：“能不能过几年来个『机器人』️版 梅罗合体5v5足球赛，或者詹杜库组一队来一把3v3篮球赛，等他们退役以后还可以看到『机器人』️版对决。”
@帅清风盘点：“『机器人』️上场了打架能拉开吗？”
▍给物理引擎打补丁：ASAP如何跨越“模拟现实”鸿沟
让『机器人』️模仿人类动作，说起来容易做起来难。
最大的挑战在于，在电脑里训练得再好的『机器人』️，到了真实世界往往就"水土不服"了。业内把这个问题称为"sim2real gap"(模拟到现实的差距)。
简单说，就是电脑里模拟的物理环境再精细，也很难完美复制现实世界的复杂动力学特性。这就像你在游戏里练得再溜，到了真实赛场上还是要重新适应。
传统解决方案，比如系统辨识(SysID)和域随机化(DR)，要么需要耗费大量人力调参，要么会让『机器人』️动作变得过于保守。
ASAP(Aligning Simulation and Real Physics)框架提供了一个巧妙的解决方案。它采用"real2sim2real"(真实-仿真-真实)方法：
首先把训练好的策略部署到真实『机器人』️上收集数据，然后在仿真环境中重放这些动作。虽然重放时会有偏差，但这些偏差恰恰反映出了仿真与现实的差异。
关键的是，研究团队用神经网络学习这些差异，本质上是给传统物理引擎打了个"现实补丁"，让仿真环境更贴近真实世界。
▍两阶段四步流程：从视频到真实动作的迁移
ASAP框架分为两大阶段。第一阶段是在模拟环境中，利用调整过的人类运动数据预训练运动跟踪策略。
进入第二阶段，这些策略被移至真实世界应用，同时收集真实数据来训练一个“残差”动作模型，旨在缩小模拟与真实物理动态间的差距。随后，ASAP将预训练策略与残差动作模型结合，并在模拟器中进一步微调，以确保与真实物理动态的更好对齐。
具体流程包含四步：首先，进行运动跟踪预训练与真实轨迹收集，即将人类视频中的运动数据转化为类人『机器人』️动作，在模拟环境中预训练多个跟踪策略，并生成真实世界的运动轨迹。
其次，训练差异动作模型，基于真实数据，通过最小化模拟状态与真实状态间的差距进行优化。
接着，进行策略微调，固定差异动作模型并将其融入模拟器，调整模拟与真实物理的匹配度，随后微调先前训练的跟踪策略。
最后，将微调后的策略直接部署到真实世界，此时无需差异动作模型。
▍三重考验：从简单到困难的真实性测试
为了验证ASAP的有效性，研究团队设计了三个难度递增的测试场景。
第一个是从IsaacGym到IsaacSim的迁移。这两个都是NVIDIA的物理模拟器，使用相似的物理引擎。这就像在"同一个考场"换道题，主要用来验证ASAP的基础可靠性。
实验数据显示，ASAP在所有动作长度上都优于基线方法。特别是在长时间动作序列中，它保持了稳定的表现，而传统方法则会出现累积误差。具体来说，ASAP实现了更低的Eg-mpjpe和Empjpe值。
第二个考验是从IsaacGym到Genesis的迁移。Genesis使用不同的物理引擎，这就像是换了一个"考试系统"。在这个更具挑战性的场景中，ASAP依然表现出色。在Genesis中，它实现了Eg-mpjpe=129和Empjpe=77.0的优秀成绩，大幅领先于其他方法。
下图的可视化比较显示，ASAP相比未经微调的强化学习策略，更能适应新动力学环境并保持稳定跟踪，而基线方法则累积误差导致跟踪下降。这突显了ASAP在解决仿真到现实差距上的鲁棒性和适应性，验证了其作为提高闭环性能和确保现实场景可靠部署的有效范式。
最后是最难的考验：从模拟环境到真实的宇树G1『机器人』️。这里面临着传感器噪声、建模误差、执行器差异等多重挑战。即便如此，ASAP仍然成功让『机器人』️完成了包括科比后仰跳投、C罗庆祝动作在内的多个高难度动作。
ASAP在两个运动跟踪任务（踢腿和「Silencer」）中与Vanilla基线比较，结果显示ASAP在缩小仿真到现实差距上表现更佳，特别是在关键指标上显著降低了跟踪误差，证明了其在提升人形『机器人』️运动跟踪迁移能力上的有效性。
▍华人团队在世界舞台大放异彩
让人眼前一亮的是，这项突破性研究背后站着一支年轻的华人团队。18位作者中绝大多数都是华人面孔。
论文共同一作有四位：何泰然、高嘉伟、Wenli Xiao和张远航。
何泰然是上海交大计算机系校友，现为卡内基梅隆大学『机器人』️研究所二年级博士生，同时也是『英伟达』GEAR团队成员。在加入这个项目前，他在微软亚洲研究院工作过一段时间。
高嘉伟目前就读于CMU，曾获得清华大学学士学位。他曾与Gao Huang教授、Jiangmiao Pang博士、Guanya Shi教授合作，参与强化学习算法及其在『机器人』️领域应用的相关项目。
Wenli Xiao是卡内基梅隆大学『机器人』️研究所（MSR）的硕士生，毕业于香港中文大学（深圳），目前在『英伟达』GEAR实验室实习，参与人形『机器人』️基础模型研究。
张远航毕业于上海交大，担任过SJTU VEX『机器人』️俱乐部的编程组负责人。现在在CMU『机器人』️研究所攻读硕士学位，专注于人形『机器人』️和空中操控研究。
▍未来已来：人形『机器人』️奥运会还有多远？
"2030年的人形『机器人』️奥运会一定会是一场盛宴！"Jim Fan对未来充满期待。
通过开源的HumanoidVerse框架，研究团队为整个领域提供了一个模块化的多仿真器人形『机器人』️学习平台。它能将仿真器、任务和算法分离模块化，大大降低了不同仿真器和任务之间切换的工作量。
更重要的是，ASAP不仅让『机器人』️能模仿人类动作，更让这些动作变得自然流畅，具有运动员般的美感。
从技术角度看，ASAP还有很大的提升空间。研究显示，通过优化数据集大小、训练时域和动作范数权重等参数，可以进一步提升开环和闭环性能。特别是在强化学习微调阶段，选择合适的参数能显著降低全局跟踪误差。
这次的研究成果，不仅展示了『机器人』️技术的惊人进展，更让我们看到了中国年轻一代科研工作者在国际舞台上的实力。
Jim Fan说得对：未来属于混合仿真时代。通过将经典物理引擎的精确性与现代神经网络的适应性相结合，我们正在见证人形『机器人』️运动能力的快速发展。而这个未来，正在被一群充满创造力的年轻人一步步带到我们面前。
项目主页：
https://agile.human2humanoid.com/
论文地址：
https://arxiv.org/abs/2502.01143
开源项目：
https://github.com/LeCAR-Lab/ASAP
