GEAR-SONIC

Controlador de cuerpo completo de NVIDIA para el Unitree G1, entrenado para seguir cualquier movimiento humano

Licencia

Apache 2.0

Licencias divididas. Código: Apache-2.0. Todos los pesos del modelo publicados: NVIDIA Open Model License, que permite el uso comercial y los modelos derivados, pero exige atribución y el cumplimiento de los términos de Trustworthy AI de NVIDIA. BONES-SEED, el principal conjunto de datos de entrenamiento: licencia BONES-SEED, concedida solo a usuarios académicos sin ánimo de lucro y a empresas con ingresos anuales inferiores a 1 millón de USD; los demás necesitan una licencia comercial de Bones Studio. Comprobado el 2026-10-16.

Resumen

GEAR-SONIC es un controlador de cuerpo completo para robots humanoides del laboratorio GEAR de NVIDIA, publicado junto con su código de entrenamiento, su stack de despliegue en C++ y sus checkpoints en el repositorio GR00T-WholeBodyControl. En lugar de entrenar una política por habilidad, entrena una única política para seguir el movimiento humano, usando la captura de movimiento como supervisión, y escala ese enfoque: el artículo, publicado en Science Robotics en 2026, hace crecer la red de 1.2M a 42M parámetros con más de 100M fotogramas procedentes de 700 horas de captura de movimiento. El resultado camina, corre, se arrodilla, gatea y se levanta sobre un Unitree G1. Cualquier entrada, ya sea un planificador cinemático guiado con teclado o gamepad, un visor de VR o un modelo de visión-lenguaje-acción, se convierte en los mismos tokens de movimiento, de modo que un solo controlador sirve para todas. El entrenamiento se ejecuta en Isaac Lab, las comprobaciones en simulación en MuJoCo y el despliegue en el Jetson Orin integrado del G1 con TensorRT. El código es Apache-2.0; los pesos están bajo la NVIDIA Open Model License.

SONIC aborda el control de un robot humanoide como un problema de seguimiento de movimiento. Durante el entrenamiento, la política ve una ventana corta de un movimiento de referencia, un clip humano redirigido (retargeting) al robot, y recibe recompensa por seguirlo en simulación. Como los objetivos proceden de la captura de movimiento y no de recompensas escritas a mano, añadir una habilidad equivale a añadir datos. Varios codificadores proyectan distintos tipos de referencia, ya sean trayectorias articulares del robot, poses humanas SMPL o puntos clave de teleoperación en VR, a un token compartido de 64 dimensiones, y un único decodificador convierte ese token en consignas para las 29 articulaciones del G1 a 50 Hz.

El repositorio cubre todo el recorrido. El paquete gear_sonic entrena con PPO en Isaac Lab, ya sea desde cero con el conjunto de datos de movimiento BONES-SEED (142.000 movimientos, unas 288 horas, ya redirigidos al G1) o mediante ajuste fino del checkpoint publicado. Los autores recomiendan 64 GPU o más para entrenar desde cero; un único nodo de 8 GPU funciona, pero es mucho más lento. El paquete gear_sonic_deploy es un stack en C++ que ejecuta los modelos ONNX exportados mediante TensorRT en una GPU de escritorio o en el Jetson AGX Orin o Thor del robot, con un modo sim-to-sim en MuJoCo para probar una política antes de que toque el hardware. Una guía explica cómo añadir otro robot, con el Unitree H2 como ejemplo completo.

Sobre el controlador se apoyan las distintas formas de manejarlo. Un planificador cinemático genera marcha, carrera, agachado y gateo en varios estilos a partir de órdenes de teclado o gamepad. Un visor PICO VR, o IsaacTeleop de NVIDIA, transmite el cuerpo completo del operador para teleoperación y recogida de datos. Un flujo de trabajo documentado recoge demostraciones teleoperadas, ajusta GR00T N1.7 con ellas y ejecuta el resultado con SONIC por debajo, de modo que el modelo de lenguaje decide qué hacer y SONIC se encarga del equilibrio.

En Hugging Face hay tres checkpoints publicados para el G1: el controlador original, un modelo de teleoperación de baja latencia que anticipa 80 ms en lugar de 200 ms, y SONIC v1.1, entrenado con aumento de datos de la pose de la muñeca para una teleoperación más estable. El mismo repositorio aloja también el anterior Decoupled WBC de NVIDIA, usado bajo GR00T N1.5 y N1.6, y una versión preliminar de MotionBricks, un generador de movimiento en tiempo real.

Por qué importa

La mayoría de los controladores para un robot humanoide son políticas pequeñas entrenadas para un puñado de comportamientos, cada uno con sus propios términos de recompensa. SONIC es hasta ahora la prueba abierta más clara de que la receta de escalado que hay detrás de los modelos de lenguaje y visión también funciona para el control de bajo nivel de robots humanoides: más datos de movimiento, una red más grande y más cómputo dieron un seguimiento cada vez mejor y un mejor manejo de movimientos que la política nunca había visto. Como se publica de extremo a extremo, con código de entrenamiento, un stack de despliegue para el robot real y herramientas de teleoperación, un laboratorio con un Unitree G1 puede usarlo como capa motora bajo su propio planificador o VLA en lugar de construir la locomoción desde cero.

Qué problema resuelve

Conseguir que un robot humanoide se mueva con naturalidad en muchos comportamientos suele exigir diseñar un controlador o una recompensa distintos para cada habilidad, y esos controladores no comparten interfaz, así que un planificador, un teleoperador y una política aprendida necesitan cada uno el suyo. SONIC los sustituye por una única política de seguimiento de movimiento entrenada con captura de movimiento a gran escala, y ofrece a todo tipo de órdenes una misma interfaz de tokens hacia esa política.

Puntos clave

• Una sola política sigue el movimiento humano en las 29 articulaciones del Unitree G1 a 50 Hz, y cubre caminar, correr, arrodillarse, gatear y levantarse
• El artículo escala la red de 1.2M a 42M parámetros con 700 horas de captura de movimiento y constata que el seguimiento sigue mejorando con más datos y cómputo
• Un planificador cinemático, un visor de VR y un modelo VLA lo manejan a través de los mismos tokens de movimiento de 64 dimensiones
• Publicado de extremo a extremo: entrenamiento en Isaac Lab, un stack de despliegue en C++ con TensorRT para el Jetson del G1, comprobaciones sim-to-sim en MuJoCo y teleoperación en VR
• Tres checkpoints en Hugging Face: el controlador original, un modelo de teleoperación de baja latencia y SONIC v1.1
• El código es Apache-2.0 y los pesos están bajo la NVIDIA Open Model License, que permite el uso comercial; los datos de entrenamiento BONES-SEED tienen su propia licencia, más restrictiva

Para quién es

• Laboratorios y empresas con un Unitree G1 que buscan un controlador de cuerpo completo general en lugar de políticas por habilidad
• Investigadores que entrenan controladores para un robot humanoide a partir de captura de movimiento y quieren partir de una base ya escalada
• Equipos que recogen datos de teleoperación de un robot humanoide o que ejecutan un VLA que necesita una capa motora de bajo nivel
• Investigadores que portan un controlador de seguimiento de movimiento a otro robot humanoide

Limitaciones

• Los checkpoints publicados son solo para el Unitree G1; otros robots necesitan datos de movimiento redirigidos y un entrenamiento completo, documentado con el H2 como ejemplo
• Entrenar desde cero es tarea de clúster: los autores recomiendan 64 GPU o más, y el entorno de entrenamiento de Isaac Lab necesita una GPU con CUDA 12 (se recomienda L40)
• El despliegue requiere TensorRT en una versión concreta para cada plataforma y, en el Orin integrado del G1, volver a flashearlo con JetPack 6
• Los datos de entrenamiento BONES-SEED solo están licenciados para usuarios académicos y empresas con menos de $1M de ingresos anuales; cualquier otro necesita una licencia comercial para reentrenar con ellos
• El uso en el robot real conlleva los riesgos habituales de un robot humanoide: la documentación pide una zona de seguridad despejada y un operador listo para detener el robot