「科比」后仰跳投

「C罗」招牌庆祝动作

本篇论文主要讲了如何让仿人机器人更灵活地完成各种动作，比如跳跃、单腿平衡等。核心问题是模拟环境和真实物理世界之间的差异，导致机器人在模拟中练得很好，但到了现实中就不好使。现有的方法要么需要大量手动调参，要么让机器人动作保守，不够灵活。

文中提出了一个叫 ASAP 的两阶段框架，分两步解决这个问题：

第一阶段：模拟训练

先从人类动作视频中提取动作（比如 C 罗的庆祝跳跃、科比的后仰跳投），用算法把这些动作 “翻译” 成机器人能做的姿势（这个过程叫动作重定向）。

在模拟环境中训练机器人模仿这些动作，让它学会基本的动作跟踪能力。比如，让机器人在模拟里练习怎么跳起来转 180 度。

第二阶段：真实世界校准

把模拟中训练好的机器人放到现实中测试，记录它的实际动作数据（比如关节位置、速度）。

发现模拟和现实的差异后，训练一个 “补偿模型”（叫 Delta 动作模型），专门计算模拟动作需要调整的部分。比如，如果模拟中机器人跳得比现实高，这个模型会自动减少腿部动作的强度。

用这个补偿模型调整模拟环境，让模拟更接近现实，然后再微调机器人的控制策略，让它适应真实物理特性。

多种动作实现：在 Unitree G1 机器人上成功实现了多种高难度动作，比如 1.5 米前跳、单腿平衡、模仿 NBA 球星的庆祝动作等，这些动作以前很难在真实机器人上做到。

对比实验效果好：和传统方法（如系统辨识、域随机化）相比，ASAP 显著降低了动作跟踪误差。比如在从模拟到现实的迁移中，误差减少了 52.7%，动作更精准灵活。

数据驱动的补偿：通过真实数据训练补偿模型，不需要手动调整机器人的物理参数（如质量、摩擦力），节省了大量调参时间，还能适应复杂的现实差异。

ASAP 通过 “模拟训练 + 现实校准” 的思路，有效缩小了虚拟和现实的差距，让仿人机器人能更灵活地完成复杂动作。这对机器人在真实场景中的应用（如救援、服务）有重要意义，未来可能让机器人更像人类一样行动自如。