人形机器人虚实迁移框架 ASAP：宇树 G1 实现高敏捷全身动作

让仿真环境里活蹦乱跳的人形机器人走进现实，往往会变成肢体僵硬的「生锈铁皮人」。虚拟环境里的物理引擎再精密，落到真实地面的摩擦力、电机发热和机械间隙时，依然存在巨大的动力学差距。

面对这个业界常说的 Sim-to-Real 鸿沟，来自多所高校和机构的研究团队提出了一套名为 ASAP 的全新两阶段框架，试图让人形机器人在真实世界里完整复现人类级别的敏捷全身运动。

别让机器人为了不出错而变笨

过去为了让虚拟训练的策略能在真机上跑起来，行业内最常用的两招是系统辨识和域随机化。

系统辨识需要工程师死磕物理参数，一点点微调摩擦力和质量分布，费时费力还不一定准。域随机化则是让 AI 在各种极端乱套的环境里受训，结果训练出来的机器人通常极其保守，每走一步都小心翼翼，原本敏捷的动作全被磨平了。

ASAP 的思路很巧妙，它把学习拆成了两步。第一步，在仿真环境里用人类动作捕捉数据先预训练动作跟踪策略，让机器人学会怎么动全身。

第二步，把初步策略放到真实世界里跑一跑，收集真机和虚拟表现的差异数据，专门训练一个「动作残差模型」。说白了，就是算出真机到底比仿真差了哪一截力度或角度。

随后，团队把这个残差模型塞回仿真器中，重新对预训练策略进行微调。这样一来，仿真器本身就掌握了真机的物理特性，微调出来的动作既保持了敏捷度，又适应了真机的实际限制。

从虚拟引擎到宇树 G1 实体机

这套方案不仅在仿真器之间的迁移上得到了验证，还成功跨越了不同工具链。

团队在 IsaacGym 到 IsaacSim、IsaacGym 到 Genesis 两个跨引擎测试中验证了有效性，更关键的是，他们直接将这套算法部署到了宇树科技的 G1 人形机器人真机上。

实验数据显示，相比传统的系统辨识、域随机化以及残差动力学基线，ASAP 显著降低了动作跟踪误差，同时保留了高度协调的全身动态能力。

以前真机一做就摔或者动作变形的高难度动态动作，现在 G1 能够平稳且舒展地完成，证明了残差动作学习在弥合物理差距上的威力。

为什么重要

对于机器人研发团队和具身智能开发者来说，ASAP 提供了一条成本更低、动作质量更高的真机落地路径。以前要在真机上调出一个连贯的跑跳或闪避动作，光是调参和防摔就要折腾几个月，现在可以通过在虚拟环境里高保真微调来节省大量实机调试时间。

从行业角度看，人形机器人正在从「能走能站」向「高动态作业」演进。无论是工厂搬运、仓储穿梭还是应急救援，机器人如果动作慢吞吞、缺乏全身协同，就很难真正替代人工。ASAP 这种用残差模型反哺仿真器的做法，打破了传统域随机化带来的性能天花板。

我们认为，这项研究最聪明的地方在于它没有执着于把仿真器的底层物理公式改写得多么天衣无缝，而是直接在控制动作层面打补丁。不过，残差模型对真机硬件磨损和环境剧烈变化的泛化能力如何，依然需要更大规模的长时间测试来检验。