GEAR-SONIC

NVIDIAによるUnitree G1向け全身制御コントローラー。あらゆる人間の動きを追従するよう学習済み

ライセンス

Apache 2.0

ライセンスが分かれています。コード：Apache-2.0。公開されているすべてのモデルの重み：NVIDIA Open Model License。商用利用と派生モデルを認めていますが、クレジット表示とNVIDIAのTrustworthy AI条件の遵守が求められます。主要な学習データセットであるBONES-SEED：BONES-SEEDライセンス。非営利の学術ユーザーと年間売上100万ドル未満の企業にのみ付与され、それ以外の利用者はBones Studioの商用ライセンスが必要です。2026-10-16に確認。

概要

GEAR-SONICは、NVIDIAのGEARラボが開発したヒューマノイドロボット向けの全身制御コントローラーで、学習コード、C++のデプロイスタック、チェックポイントとともにGR00T-WholeBodyControlリポジトリで公開されています。スキルごとにポリシーを学習するのではなく、モーションキャプチャを教師信号として人間の動きを追従する単一のポリシーを学習し、それをスケールさせています。2026年にScience Roboticsに掲載された論文では、700時間のモーションキャプチャから得た100M超のフレームを用いて、ネットワークを1.2Mから42Mパラメータまで拡大しています。その結果、Unitree G1で歩く、走る、ひざまずく、這う、起き上がるといった動作が可能になりました。キーボードやゲームパッドで操作するキネマティックプランナー、VRヘッドセット、視覚言語行動モデルのいずれの入力も同じモーショントークンに変換されるため、1つのコントローラーですべてに対応できます。学習はIsaac Lab、シミュレーションでの検証はMuJoCoで行い、デプロイはG1に搭載されたJetson Orin上でTensorRTを使って実行します。コードはApache-2.0、重みはNVIDIA Open Model Licenseで提供されています。

SONICは、ヒューマノイドロボットの制御をモーショントラッキングとして扱います。学習中、ポリシーには参照モーション（ロボットにリターゲットした人間のクリップ）の短いウィンドウが与えられ、シミュレーション内でそれに追従すると報酬を得ます。目標が手書きの報酬ではなくモーションキャプチャから得られるため、スキルを追加することはデータを追加することを意味します。複数のエンコーダーが、ロボットの関節軌道、SMPLの人体姿勢、VR遠隔操作のキーポイントといった異なる種類の参照を共通の64次元トークンに写像し、1つのデコーダーがそのトークンをG1の29関節に対する目標値へ50 Hzで変換します。

リポジトリは一連の工程をすべてカバーしています。gear_sonicパッケージはIsaac LabでPPOによる学習を行い、BONES-SEEDモーションデータセット（142,000モーション、約288時間、G1へのリターゲット済み）でゼロから学習することも、公開されたチェックポイントをファインチューニングすることもできます。著者はゼロからの学習に64基以上のGPUを推奨しています。8-GPUノード1台でも動作しますが、大幅に遅くなります。gear_sonic_deployパッケージはC++スタックで、エクスポートしたONNXモデルをTensorRT経由でデスクトップGPU、またはロボットのJetson AGX OrinやThor上で実行します。実機に載せる前にポリシーを試せるMuJoCoのsim-to-simモードも備えています。別のロボットへの対応方法を解説するガイドもあり、Unitree H2を実例として取り上げています。

コントローラーの上には、それを操作するための手段が用意されています。キネマティックプランナーは、キーボードやゲームパッドのコマンドから、歩行、走行、しゃがみ、匍匐を複数のスタイルで生成します。PICOのVRヘッドセット、またはNVIDIAのIsaacTeleopは、遠隔操作とデータ収集のためにオペレーターの全身の動きをストリーミングします。ドキュメント化されたワークフローでは、遠隔操作によるデモンストレーションを収集し、それを使ってGR00T N1.7をファインチューニングし、SONICを下層に置いてその結果を実行します。言語モデルが何をするかを決め、SONICがバランスを担います。

Hugging Faceでは、G1用のチェックポイントが3つ公開されています。オリジナルのコントローラー、200 msではなく80 ms先を見る低遅延の遠隔操作モデル、そして手首姿勢のデータ拡張で学習し遠隔操作の安定性を高めたSONIC v1.1です。同じリポジトリには、GR00T N1.5およびN1.6の下で使われていたNVIDIAの以前のDecoupled WBCと、リアルタイムモーション生成器MotionBricksのプレビュー版も収録されています。

重要な理由

ヒューマノイドロボットのコントローラーの多くは、少数の動作向けに学習された小さなポリシーで、それぞれが独自の報酬項を持っています。SONICは、言語モデルや視覚モデルを支えるスケーリングの手法が、ヒューマノイドロボットの低レベル制御にも有効であることを示す、現時点で最も明確なオープンな証拠です。モーションデータを増やし、ネットワークを大きくし、計算量を増やすほど、追従性能が着実に向上し、ポリシーが見たことのない動きへの対応力も高まりました。学習コード、実機デプロイスタック、遠隔操作ツールまでエンドツーエンドで公開されているため、Unitree G1を持つラボは、ロコモーションをゼロから構築する代わりに、自前のプランナーやVLAの下で動くモーター層として利用できます。

解決する課題

ヒューマノイドロボットに多様な動作を自然に行わせるには、通常スキルごとに別々のコントローラーや報酬を設計する必要があり、しかもそれらのコントローラーはインターフェースを共有していないため、プランナー、遠隔操作者、学習済みポリシーがそれぞれ専用のものを必要とします。SONICはそれらを、大規模なモーションキャプチャで学習した単一のモーショントラッキングポリシーに置き換え、あらゆる種類のコマンドに対してそのポリシーへの共通のトークンインターフェースを提供します。

主なポイント

• 単一のポリシーがUnitree G1の29関節で人間の動きを50 Hzで追従し、歩行、走行、ひざまずき、匍匐、起き上がりをカバー
• 論文では700時間のモーションキャプチャを用いてネットワークを1.2Mから42Mパラメータまで拡大し、データと計算量の増加に伴い追従性能が向上し続けることを確認
• キネマティックプランナー、VRヘッドセット、VLAモデルのいずれも、同じ64次元のモーショントークンを通じて制御可能
• エンドツーエンドで公開：Isaac Labでの学習、G1のJetson向けC++/TensorRTデプロイスタック、MuJoCoでのsim-to-sim検証、VR遠隔操作
• Hugging Faceに3つのチェックポイント：オリジナルのコントローラー、低遅延の遠隔操作モデル、SONIC v1.1
• コードはApache-2.0、重みは商用利用が可能なNVIDIA Open Model License。ただしBONES-SEEDの学習データには、より制限の厳しい独自のライセンスがある

対象

• スキルごとのポリシーではなく汎用的な全身制御コントローラーを求める、Unitree G1を保有するラボや企業
• モーションキャプチャからヒューマノイドロボットのコントローラーを学習しており、スケール済みのベースラインから始めたい研究者
• ヒューマノイドロボットの遠隔操作データを収集しているチーム、または低レベルのモーター層を必要とするVLAを運用しているチーム
• モーショントラッキング型コントローラーを別のヒューマノイドロボットへ移植する研究者

制限事項

• 公開チェックポイントはUnitree G1専用。他のロボットではリターゲットしたモーションデータと完全な学習が必要で、H2を例に手順が文書化されている
• ゼロからの学習にはクラスターが必要：著者は64基以上のGPUを推奨しており、Isaac Labの学習環境にはCUDA 12対応のGPU（L40推奨）が必要
• デプロイにはプラットフォームごとに特定バージョンのTensorRTが必要で、G1搭載のOrinではJetPack 6への再フラッシュも必要
• BONES-SEEDの学習データは、学術ユーザーと年間売上$1M未満の企業にのみライセンスされており、それ以外がこのデータで再学習するには商用ライセンスが必要
• 実機での使用には、ヒューマノイドロボットに共通するリスクが伴う。ドキュメントでは、十分な安全エリアを確保し、オペレーターがいつでもロボットを停止できる状態にしておくよう求めている