GR00T-WholeBodyControl SONIC训练指南从Bones-SEED数据处理到多GPU微调的完整实操【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl想从零开始训练一个能控制人形机器人的策略这篇GR00T-WholeBodyControlSONIC训练指南将带你走完全部流程环境安装、Bones-SEED 动捕数据处理、多 GPU 微调与训练效果评估。SONIC 是 NVIDIA GR00T 项目中的通用全身控制模型通过模仿大规模人类动捕数据来驱动 Unitree G1 机器人本指南面向新手每一步都可直接复制执行。 先搞懂SONIC 训练在做什么SONIC 采用通用 token 架构universal-token多个并行编码器G1 机器人关节、VR 遥操作、SMPL 人体模型把不同格式的动作输入投影到共享的潜空间 token再由单一解码器输出关节动作。训练使用 PPO 辅助损失在 Isaac Lab 物理仿真中进行。配置编码器用途sonic_releaseG1、teleop、SMPL默认用于微调已发布模型sonic_v1_1G1、teleop、SMPL带朝向归一化的 v1.1 版本sonic_bones_seed前 3 者 SOMA四编码器扩展训练️ 一键安装训练环境准备步骤硬件要求NVIDIA GPUCUDA 12.x推荐 L40、Ubuntu 22.04、Python 3.11、Isaac Lab 2.3。# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl cd GR00T-WholeBodyControl # 2. 安装训练依赖Hydra、WB、HuggingFace TRL 等 pip install -e gear_sonic/[training] # 3. 下载官方 checkpoint 与 SMPL 动作数据约 30 GB pip install huggingface_hub python download_from_hf.py --training最后运行预检脚本验证所有依赖python check_environment.py --training小贴士数据处理脚本gear_sonic/data_process/不依赖 Isaac Lab可在任意机器上用pip install -e gear_sonic/运行方便先把 14 万条动作数据处理完再搬去 GPU 服务器训练。 Bones-SEED 数据处理转换 过滤两步走SONIC 的训练数据来自Bones-SEED 动捕数据集——14 万 条已重定向到 G129 DOF、120 FPS的动作序列。数据处理只需两步Step 1CSV 转 motion_lib 格式下载 Bones-SEED 的 G1 重定向 CSV 后用转换脚本批量处理python gear_sonic/data_process/convert_soma_csv_to_motion_lib.py \ --input /path/to/bones_seed/g1/csv/ \ --output data/motion_lib_bones_seed/robot \ --fps 30 --fps_source 120 --individual --num_workers 16脚本源码见 convert_soma_csv_to_motion_lib.py支持单条、目录批量、Bones-SEED 扁平 CSV 等五种输入模式内部自动处理 IsaacLab↔MuJoCo 的 29 DOF 关节重排。Step 2过滤机器人做不到的动作把 G1 无法执行的动作坐椅子、骑车、爬高、空翻等剔除保留约 91.3% 的可用数据~13 万条python gear_sonic/data_process/filter_and_copy_bones_data.py \ --source data/motion_lib_bones_seed/robot \ --dest data/motion_lib_bones_seed/robot_filtered --workers 16先加--dry-run预览或用--add-keywords自定义过滤词。脚本支持多进程并行源码位于 filter_and_copy_bones_data.py。处理完成后数据目录结构如下repo_root/ ├── data/ │ ├── motion_lib_bones_seed/ │ │ └── robot_filtered/ # 过滤后的 G1 动作~13 万 PKL │ └── smpl_filtered/ # SMPL 人体动作数据 └── sonic_release/ # 官方 checkpoint微调起点 多 GPU 微调从官方 checkpoint 继续训练先做 5 分钟冒烟测试确认环境无误python gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_release \ num_envs16 headlessTrue \ algo.config.num_learning_iterations5正式微调推荐 64 GPU单机 8 GPU 也能跑但明显更慢# 单节点 8 GPU accelerate launch --num_processes8 gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_release \ checkpointsonic_release/last.pt \ num_envs4096 headlessTrue \ manager_env.commands.motion.motion_lib_cfg.motion_filedata/motion_lib_bones_seed/robot_filtered \ manager_env.commands.motion.motion_lib_cfg.smpl_motion_filedata/smpl_filtered # 多节点 64 GPU8 机 × 8 卡 accelerate launch --multi_gpu --num_machines8 --num_processes64 \ --machine_rank$MACHINE_RANK \ --main_process_ip$MASTER_ADDR \ --main_process_port$MASTER_PORT \ gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_release \ checkpointsonic_release/last.pt \ num_envs4096 headlessTrue \ manager_env.commands.motion.motion_lib_cfg.motion_filedata/motion_lib_bones_seed/robot_filtered \ manager_env.commands.motion.motion_lib_cfg.smpl_motion_filedata/smpl_filteredWB 日志默认开启无需公网时可加WANDB_MODEoffline或use_wandbfalse完全关闭。完整命令详解见官方训练指南。 监控与评估如何判断训练收敛检查点每 2000 步自动保存到logs_rl/TRL_G1_Track/实验名-时间戳/。关键指标参考值指标收敛目标含义success_rate 0.97动作跟踪成功率mpjpe_l 30 mm局部关节位置误差mpjpe_g 200 mm全局关节位置误差throughput/fps~4000训练吞吐评估分两种模式——metrics成功率、MPJPE和render输出视频python gear_sonic/eval_agent_trl.py \ checkpointpath_to_checkpoint.pt \ headlessTrue eval_callbacksim_eval \ run_eval_loopFalse num_envs128 \ manager_env/terminationstracking/eval \ manager_env.commands.motion.motion_lib_cfg.max_unique_motions512训练充分后策略可在 10 万迭代后达到 0.98 成功率与 29 mm 局部误差。想可视化参考动作质量加replayTrue num_envs4 headlessFalse即可回放。训练完成后还可用export_onnx_onlytrue一键导出 ONNX 模型部署到真机输出包含*_g1.onnx、*_smpl.onnx、*_teleop.onnx等按输入模态划分的编码器-解码器组合。✅ 新手避坑清单冒烟测试先行正式训练前务必用num_envs16跑通避免集群资源浪费磁盘要够完整数据 约 30 GB checkpoint 训练产物建议预留 500 GB数据路径覆盖官方发布的 checkpoint 内嵌了内部训练路径评估时需用motion_file参数覆盖四编码器训练想用 SOMA 骨骼编码器用sonic_bones_seed配置并额外传入soma_motion_file参考 sonic_bones_seed.yaml按照以上步骤你已完成从Bones-SEED 数据处理到多 GPU 微调再到评估导出的完整 SONIC 训练闭环下一步就可以把新策略部署到 G1 真机上体验了。【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
GR00T-WholeBodyControl SONIC训练指南：从Bones-SEED数据处理到多GPU微调的完整实操
GR00T-WholeBodyControl SONIC训练指南从Bones-SEED数据处理到多GPU微调的完整实操【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl想从零开始训练一个能控制人形机器人的策略这篇GR00T-WholeBodyControlSONIC训练指南将带你走完全部流程环境安装、Bones-SEED 动捕数据处理、多 GPU 微调与训练效果评估。SONIC 是 NVIDIA GR00T 项目中的通用全身控制模型通过模仿大规模人类动捕数据来驱动 Unitree G1 机器人本指南面向新手每一步都可直接复制执行。 先搞懂SONIC 训练在做什么SONIC 采用通用 token 架构universal-token多个并行编码器G1 机器人关节、VR 遥操作、SMPL 人体模型把不同格式的动作输入投影到共享的潜空间 token再由单一解码器输出关节动作。训练使用 PPO 辅助损失在 Isaac Lab 物理仿真中进行。配置编码器用途sonic_releaseG1、teleop、SMPL默认用于微调已发布模型sonic_v1_1G1、teleop、SMPL带朝向归一化的 v1.1 版本sonic_bones_seed前 3 者 SOMA四编码器扩展训练️ 一键安装训练环境准备步骤硬件要求NVIDIA GPUCUDA 12.x推荐 L40、Ubuntu 22.04、Python 3.11、Isaac Lab 2.3。# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl cd GR00T-WholeBodyControl # 2. 安装训练依赖Hydra、WB、HuggingFace TRL 等 pip install -e gear_sonic/[training] # 3. 下载官方 checkpoint 与 SMPL 动作数据约 30 GB pip install huggingface_hub python download_from_hf.py --training最后运行预检脚本验证所有依赖python check_environment.py --training小贴士数据处理脚本gear_sonic/data_process/不依赖 Isaac Lab可在任意机器上用pip install -e gear_sonic/运行方便先把 14 万条动作数据处理完再搬去 GPU 服务器训练。 Bones-SEED 数据处理转换 过滤两步走SONIC 的训练数据来自Bones-SEED 动捕数据集——14 万 条已重定向到 G129 DOF、120 FPS的动作序列。数据处理只需两步Step 1CSV 转 motion_lib 格式下载 Bones-SEED 的 G1 重定向 CSV 后用转换脚本批量处理python gear_sonic/data_process/convert_soma_csv_to_motion_lib.py \ --input /path/to/bones_seed/g1/csv/ \ --output data/motion_lib_bones_seed/robot \ --fps 30 --fps_source 120 --individual --num_workers 16脚本源码见 convert_soma_csv_to_motion_lib.py支持单条、目录批量、Bones-SEED 扁平 CSV 等五种输入模式内部自动处理 IsaacLab↔MuJoCo 的 29 DOF 关节重排。Step 2过滤机器人做不到的动作把 G1 无法执行的动作坐椅子、骑车、爬高、空翻等剔除保留约 91.3% 的可用数据~13 万条python gear_sonic/data_process/filter_and_copy_bones_data.py \ --source data/motion_lib_bones_seed/robot \ --dest data/motion_lib_bones_seed/robot_filtered --workers 16先加--dry-run预览或用--add-keywords自定义过滤词。脚本支持多进程并行源码位于 filter_and_copy_bones_data.py。处理完成后数据目录结构如下repo_root/ ├── data/ │ ├── motion_lib_bones_seed/ │ │ └── robot_filtered/ # 过滤后的 G1 动作~13 万 PKL │ └── smpl_filtered/ # SMPL 人体动作数据 └── sonic_release/ # 官方 checkpoint微调起点 多 GPU 微调从官方 checkpoint 继续训练先做 5 分钟冒烟测试确认环境无误python gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_release \ num_envs16 headlessTrue \ algo.config.num_learning_iterations5正式微调推荐 64 GPU单机 8 GPU 也能跑但明显更慢# 单节点 8 GPU accelerate launch --num_processes8 gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_release \ checkpointsonic_release/last.pt \ num_envs4096 headlessTrue \ manager_env.commands.motion.motion_lib_cfg.motion_filedata/motion_lib_bones_seed/robot_filtered \ manager_env.commands.motion.motion_lib_cfg.smpl_motion_filedata/smpl_filtered # 多节点 64 GPU8 机 × 8 卡 accelerate launch --multi_gpu --num_machines8 --num_processes64 \ --machine_rank$MACHINE_RANK \ --main_process_ip$MASTER_ADDR \ --main_process_port$MASTER_PORT \ gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_release \ checkpointsonic_release/last.pt \ num_envs4096 headlessTrue \ manager_env.commands.motion.motion_lib_cfg.motion_filedata/motion_lib_bones_seed/robot_filtered \ manager_env.commands.motion.motion_lib_cfg.smpl_motion_filedata/smpl_filteredWB 日志默认开启无需公网时可加WANDB_MODEoffline或use_wandbfalse完全关闭。完整命令详解见官方训练指南。 监控与评估如何判断训练收敛检查点每 2000 步自动保存到logs_rl/TRL_G1_Track/实验名-时间戳/。关键指标参考值指标收敛目标含义success_rate 0.97动作跟踪成功率mpjpe_l 30 mm局部关节位置误差mpjpe_g 200 mm全局关节位置误差throughput/fps~4000训练吞吐评估分两种模式——metrics成功率、MPJPE和render输出视频python gear_sonic/eval_agent_trl.py \ checkpointpath_to_checkpoint.pt \ headlessTrue eval_callbacksim_eval \ run_eval_loopFalse num_envs128 \ manager_env/terminationstracking/eval \ manager_env.commands.motion.motion_lib_cfg.max_unique_motions512训练充分后策略可在 10 万迭代后达到 0.98 成功率与 29 mm 局部误差。想可视化参考动作质量加replayTrue num_envs4 headlessFalse即可回放。训练完成后还可用export_onnx_onlytrue一键导出 ONNX 模型部署到真机输出包含*_g1.onnx、*_smpl.onnx、*_teleop.onnx等按输入模态划分的编码器-解码器组合。✅ 新手避坑清单冒烟测试先行正式训练前务必用num_envs16跑通避免集群资源浪费磁盘要够完整数据 约 30 GB checkpoint 训练产物建议预留 500 GB数据路径覆盖官方发布的 checkpoint 内嵌了内部训练路径评估时需用motion_file参数覆盖四编码器训练想用 SOMA 骨骼编码器用sonic_bones_seed配置并额外传入soma_motion_file参考 sonic_bones_seed.yaml按照以上步骤你已完成从Bones-SEED 数据处理到多 GPU 微调再到评估导出的完整 SONIC 训练闭环下一步就可以把新策略部署到 G1 真机上体验了。【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考