全身訓練模型讓機器人模仿著名運動員的動作

卡內基梅隆大學 (Carnegie Mellon University) 的一組人工智慧 (AI) 和機器人研究人員，與科技公司 NVIDIA 的兩位同事合作，開發了一種新的模型，讓機器人能像人類運動員一樣移動。

在他們發表在 arXiv 預印本伺服器上的論文中，這組人員描述了如何開發這種新方法，以便訓練人形機器人進行全身的運動，以及這種方法目前的效果。

研究團隊指出，過去大多數訓練機器人的努力主要集中在移動能力上。這導致了許多能夠很好移動的機器人，但他們並不優雅，缺乏流暢性或運動能力，這些都是自然動物運動的特徵。他們認為，解決方案是將重點轉向全身訓練。

在尋求開發全身訓練的過程中，團隊發現目前的訓練模型缺乏適應性，並且常常使用過多的參數，導致動作過於謹慎。因此，他們開發了一種新的兩階段模型，或稱為框架。

第一階段涉及訓練一個 AI 模組，讓它理解全身人類動作的視頻，並將重要的點重新定位，以考慮機器人的能力和動作追蹤。第二階段則是收集現實世界的數據，以識別和調和現實世界中動作（人們在視頻中的移動方式）與機器人能夠移動的方式之間的差異。最終的結果是一個名為「對齊模擬與現實物理」(Aligning Simulation and Real Physics, ASAP) 的框架。

為了測試這個新框架，研究人員訓練了一個機器人，讓它做出運動迷們熟悉的動作。這個機器人成功地表現了科比·布萊恩特 (Kobe Bryant) 的著名後仰跳投、勒布朗·詹姆斯 (LeBron James) 的靜音動作，以及克里斯蒂亞諾·羅納爾多 (Cristiano Ronaldo) 的空中旋轉跳躍。每個全身技能在執行時都被錄製下來，並將結果上傳到 YouTube。

觀看這些影片時，很容易認出這些著名的動作，並注意到全身運動的進步。但也很明顯，還需要做更多的工作，才能讓機器人被誤認為是專業的人類運動員。

將人類視頻動作重新定位到機器人動作: (a) 從視頻捕捉人類動作。 (b) 使用 TRAM [93]，在 SMPL 參數格式中重建 3D 人類動作。 (c) 在模擬中訓練增強學習 (RL) 策略，以追蹤 SMPL 動作。 (d) 將學習到的 SMPL 動作重新定位到 Unitree G1 人形機器人模擬中。 (e) 將訓練好的 RL 策略部署到真實機器人上，在物理世界中執行最終動作。這個流程確保重新定位的動作在物理上可行，並適合現實世界的部署。來源: arXiv (2025)。 DOI: 10.48550/arxiv.2502.01143

更多資訊:
Tairan He 等, ASAP: 對齊模擬與現實物理以學習靈活的人形全身技能, arXiv (2025). DOI: 10.48550/arxiv.2502.01143

專案: agile.human2humanoid.com/

GitHub: github.com/LeCAR-Lab/ASAP

期刊資訊:
arXiv

新聞來源

本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！