GEAR-SONIC

NVIDIA 為 Unitree G1 打造的全身控制器，經訓練可追蹤任何人類動作

授權條款

Apache 2.0

分拆授權。程式碼：Apache-2.0。所有已釋出的模型權重：NVIDIA Open Model License，允許商業使用與衍生模型，但需標示出處並遵守 NVIDIA 的 Trustworthy AI 條款。主要訓練資料集 BONES-SEED：BONES-SEED 授權，僅授予非營利學術使用者及年營收低於 100 萬美元的公司；其他人需向 Bones Studio 取得商業授權。已於 2026-10-16 核對。

概述

GEAR-SONIC 是 NVIDIA GEAR 實驗室為人形機器人打造的全身控制器，連同訓練程式碼、C++ 部署堆疊與檢查點一起發布在 GR00T-WholeBodyControl 儲存庫中。它並非每項技能各訓練一個策略，而是訓練單一策略來追蹤人類動作，以動作擷取資料作為監督訊號，並加以擴大規模：2026 年發表於 Science Robotics 的論文，以來自 700 小時動作擷取、超過 100M 幀的資料，將網路從 1.2M 擴增到 42M 個參數。成果是在 Unitree G1 上能行走、奔跑、跪下、爬行與起身。每一種輸入——無論是以鍵盤或遊戲手把操控的運動學規劃器、VR 頭戴裝置，還是視覺-語言-動作模型（VLA）——都會轉換成相同的動作 token，因此一個控制器就能服務所有輸入。訓練在 Isaac Lab 中進行，模擬檢查在 MuJoCo 中執行，部署則透過 TensorRT 在 G1 機上的 Jetson Orin 執行。程式碼採用 Apache-2.0；權重採用 NVIDIA Open Model License。

SONIC 將人形機器人控制視為動作追蹤。訓練期間，策略會看到一小段參考動作（一段已動作重定向到機器人的人類片段），並因在模擬中跟隨該動作而獲得獎勵。由於目標來自動作擷取而非手寫的獎勵函數，新增技能就等於新增資料。數個編碼器將不同類型的參考——機器人關節軌跡、SMPL 人體姿態或 VR 遠端操作關鍵點——映射到共用的 64 維 token，再由一個解碼器將該 token 轉換為 G1 29 個關節的目標值，頻率為 50 Hz。

儲存庫涵蓋完整流程。gear_sonic 套件在 Isaac Lab 中以 PPO 訓練，可以在 BONES-SEED 動作資料集（142,000 個動作，約 288 小時，已重定向到 G1）上從頭訓練，或微調已釋出的檢查點。作者建議以 64 張以上的 GPU 從頭訓練；單一 8-GPU 節點也可行，但速度慢得多。gear_sonic_deploy 套件是一個 C++ 堆疊，透過 TensorRT 在桌上型 GPU 或機器人的 Jetson AGX Orin 或 Thor 上執行匯出的 ONNX 模型，並提供 MuJoCo 模擬到模擬模式，讓策略在接觸硬體之前先行試用。另有一份指南說明如何新增其他機器人，並以 Unitree H2 作為實作範例。

在控制器之上是各種驅動方式。運動學規劃器可依鍵盤或遊戲手把指令，以多種風格產生行走、奔跑、蹲伏與爬行動作。PICO VR 頭戴裝置或 NVIDIA 的 IsaacTeleop 會串流操作者的全身動作，用於遠端操作與資料收集。一套有文件說明的工作流程會收集遠端操作示範、以此微調 GR00T N1.7，並在底層以 SONIC 執行結果，由語言模型決定要做什麼，SONIC 則負責平衡。

Hugging Face 上釋出了三個 G1 檢查點：原始控制器、一個預看 80 ms（而非 200 ms）的低延遲遠端操作模型，以及以腕部姿態增強訓練、讓遠端操作更穩定的 SONIC v1.1。同一個儲存庫也收錄了 NVIDIA 先前在 GR00T N1.5 與 N1.6 中使用的 Decoupled WBC，以及即時動作生成器 MotionBricks 的預覽版。

為何重要

大多數人形機器人控制器都是針對少數幾種行為訓練的小型策略，每種行為各有自己的獎勵項。SONIC 是迄今最明確的開放證據，顯示語言與視覺模型背後的規模化方法同樣適用於低階人形機器人控制：更多的動作資料、更大的網路與更多的運算，帶來穩定提升的追蹤表現，以及對策略從未見過之動作的更佳處理能力。由於它從頭到尾完整釋出，包含訓練程式碼、真實機器人部署堆疊與遠端操作工具，擁有 Unitree G1 的實驗室可以將它作為自家規劃器或 VLA 之下的運動控制層，而不必從零開始打造行走運動能力。

解決的問題

要讓人形機器人在多種行為之間自然地移動，通常需要為每項技能分別設計控制器或獎勵函數，而這些控制器之間沒有共用介面，因此規劃器、遠端操作者與學習所得的策略各自都需要專屬的介面。SONIC 以單一、在大規模動作擷取資料上訓練的動作追蹤策略取代它們，並讓每一種指令都透過同一個 token 介面與該策略溝通。

重點

• 單一策略以 50 Hz 為 Unitree G1 的 29 個關節追蹤人類動作，涵蓋行走、奔跑、跪下、爬行與起身
• 論文以 700 小時的動作擷取資料，將網路從 1.2M 擴增到 42M 個參數，並發現追蹤表現會隨資料與運算量持續提升
• 運動學規劃器、VR 頭戴裝置與 VLA 模型都透過相同的 64 維動作 token 來驅動它
• 從頭到尾完整釋出：Isaac Lab 訓練、適用於 G1 Jetson 的 C++ TensorRT 部署堆疊、MuJoCo 模擬到模擬檢查，以及 VR 遠端操作
• Hugging Face 上有三個檢查點：原始控制器、低延遲遠端操作模型與 SONIC v1.1
• 程式碼採用 Apache-2.0，權重採用允許商業使用的 NVIDIA Open Model License；BONES-SEED 訓練資料則有其自身、範圍更窄的授權

適用對象

• 擁有 Unitree G1、想要通用全身控制器而非逐技能策略的實驗室與公司
• 以動作擷取資料訓練人形機器人控制器、想要一個已規模化之基準作為起點的研究人員
• 收集人形機器人遠端操作資料，或執行需要低階運動控制層之 VLA 的團隊
• 將動作追蹤控制器移植到其他人形機器人的研究人員

限制

• 已釋出的檢查點僅適用於 Unitree G1；其他機器人需要動作重定向後的資料與完整的訓練流程，文件以 H2 作為範例說明
• 從頭訓練是叢集等級的工作：作者建議使用 64 張以上的 GPU，且 Isaac Lab 訓練環境需要支援 CUDA 12 的 GPU（建議 L40）
• 部署需要依平台使用特定版本的 TensorRT，而在 G1 機上的 Orin 上還需要重新刷寫為 JetPack 6
• BONES-SEED 訓練資料僅授權給學術使用者與年營收低於 100 萬美元的公司；其他人若要以其重新訓練，需要商業授權
• 在真實機器人上使用伴隨著人形機器人常見的風險：文件要求保留淨空的安全區域，並有隨時準備停止機器人的操作者