Este artículo propone Neural Robot Dynamics (NeRD), un simulador de robots generalizable basado en redes neuronales para abordar el desafío de simular con precisión y eficiencia robots modernos con altos grados de libertad y mecanismos complejos. NeRD aprende un modelo dinámico específico para un robot compuesto por cuerpos rígidos articulados y predice estados futuros bajo restricciones de contacto. Para abordar las fallas inherentes de aprendizaje y generalización específicas de la aplicación de los simuladores de redes neuronales existentes (T75380), empleamos una representación de estado de simulación centrada en el robot e invariante espacialmente. Integramos la dinámica de bajo nivel y los solucionadores de contacto de los simuladores analíticos existentes con el modelo NeRD, y reducimos la brecha entre la simulación y la realidad mediante el ajuste fino con datos del mundo real. Los resultados experimentales demuestran que el simulador NeRD es estable y preciso a lo largo de miles de pasos de simulación, se generaliza adecuadamente en configuraciones de tareas y entornos, y permite el aprendizaje de políticas exclusivo de un motor de redes neuronales.
