SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model

Autores: Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel, Koushil Sreenath · CoRL 2026

Licencias

• Acceso abierto
• Artículo: arXiv.org perpetual, non-exclusive license 1.0

Según la licencia de arXiv, todo lo que sigue está escrito solo a partir del resumen.

Por qué importa

Seguir grandes conjuntos de datos de movimiento humano es la vía principal hacia el control general de cuerpo completo de humanoides, pero escalarlo ha supuesto destilar con pérdidas especialistas por movimiento o disponer de cómputo a escala de clúster. Los autores informan de que superan a un rastreador de última generación entrenado durante 7 días en 128 GPU tras 3 horas en una sola GPU, con más de 1000 veces menos horas de GPU y 25 fallos en 129.514 movimientos de referencia frente a los 179 del modelo de referencia.

Solución propuesta

SuperMimic ajusta un único modelo del mundo diferenciable de la dinámica compartida por todos los movimientos a partir de transiciones registradas de un simulador de cuerpos rígidos, y lo entrena junto con la política de seguimiento en un solo bucle, usando retropropagación a través del tiempo sobre despliegues imaginados cortos para dar a la política gradientes analíticos.

Resumen

Seguir grandes conjuntos de datos de movimiento humano se ha convertido en la vía dominante hacia un control de cuerpo completo humanoide general y expresivo, pero escalar a muchos movimientos es caro. Los sistemas actuales usan aprendizaje por refuerzo sin modelo, ya sea fusionando especialistas por movimiento mediante una destilación con pérdidas o forzando una única política con cómputo a escala de clúster. SuperMimic amortiza el aprendizaje sobre todos los movimientos con un único modelo de mundo diferenciable de su dinámica compartida, ajustado a partir de transiciones registradas de un simulador estándar de cuerpos rígidos. El modelo de mundo y la política de seguimiento se entrenan juntos en un solo bucle, y la retropropagación a través del tiempo sobre breves rollouts imaginados da a la política gradientes analíticos. Los rollouts imaginados rápidos y los gradientes analíticos hacen eficiente el aprendizaje de la política. En 3 horas en una sola GPU, SuperMimic supera el retorno de una referencia de seguimiento de movimiento de última generación entrenada durante 7 días en 128 GPU. Reduce las horas de GPU en más de 1000× y falla solo en 25 de 129.514 movimientos de referencia, frente a 179 fallos de la referencia. Tras 9,8 horas en dos GPU, SuperMimic llega a cero fallos. De 1 a 264 horas de movimiento, el error de predicción del modelo de mundo se mantiene estable, y las horas de GPU necesarias para alcanzar un retorno objetivo crecen despacio. Nuestra política se transfiere a un Unitree G1 físico en movimientos diversos y acrobáticos. SuperMimic elimina el cómputo como cuello de botella para escalar el control de cuerpo completo humanoide, y hace práctico medir las leyes de escalado del seguimiento de movimiento.

Enlaces

• arXiv 2610.28480: https://arxiv.org/abs/2610.28480
• PDF: https://arxiv.org/pdf/2610.28480
• Código: https://github.com/HybridRobotics/supermimic
• Página del proyecto: https://supermimic.github.io/