GR00T-WholeBodyControl的三个模型怎么选SONIC默认、低延迟、v1.1检查点完全指南【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-WholeBodyControlGR00T-WholeBodyControl是 NVIDIA 推出的人形机器人全身控制WBC统一平台面向 Unitree G1整合了 Decoupled WBC 与 GEAR-SONIC 两大控制器。其中 GEAR-SONIC 目前发布了3 个检查点默认 SONIC、低延迟版、SONIC v1.1。选错模型会导致观察配置不匹配、遥操作响应变差甚至无法部署。本文带你 3 分钟搞清差异、下载与部署命令。一张表看懂三个检查点核心对比三者都基于 SONIC 通用 Token 控制器输出 64 维潜在运动 Token、控制频率 50 Hz支持 SMPL 姿态、G1 运动参考、VR 三点位三种输入。真正的区别在于参考前瞻长度lookahead和训练增强方式模型SMPL 参考输入前瞻时长适用场景部署目录默认 SONIC10 帧 × 20 ms≈200 ms通用运动跟踪、规划、遥操作兼容性最好gear_sonic_deploy/policy/release/低延迟版4 帧 × 20 ms≈80 ms响应优先的全身遥操作、VLA 执行gear_sonic_deploy/policy/low_latency/SONIC v1.110 帧 × 20 ms≈200 ms航向稳定的 VR 三点遥操作、配套 VLA 策略gear_sonic_deploy/policy/sonic_v1_1/v1.1 的两个独特点目标朝向做了机器人航向归一化robot-heading-normalized训练时加入了手腕姿态增强wrist-pose augmentation因此转身、手部动作更稳定。如何选型3 个决策问题帮你定决策 1要跟得上还是稳得住追求跟手、低滞后的实时遥操作流式 SMPL / VR / VLA 指令→ 选低延迟版参考前瞻从 200 ms 缩短到 80 ms。做运动跟踪、规划或要兼容既有部署方案 → 选默认 SONIC。决策 2是否用 VR 三点位遥操作如果你要航向稳定的 3-point 遥操作或训练面向该控制器的 SONIC VLA 策略 → 选SONIC v1.1。注意它不是低延迟模型仍保留 10 帧前瞻。决策 3要不要在 Isaac Lab 里评估/继续训练部署用 ONNX评估与微调用 PyTorch 检查点last.pt 对应config.yaml。三种模型均可通过download_from_hf.py --training系列参数获取。一键下载3 条命令拿对应检查点先安装依赖然后按需执行详见 docs/source/getting_started/download_models.mdpip install huggingface_hub # ① 默认 SONICONNX 规划器 → gear_sonic_deploy/ python download_from_hf.py # ② 低延迟版 python download_from_hf.py --low-latency # ③ SONIC v1.1 python download_from_hf.py --sonic-v1-1 # 训练用 PyTorch 检查点按需追加变体参数 python download_from_hf.py --training --low-latency python download_from_hf.py --training --sonic-v1-1 --no-smpl下载脚本 download_from_hf.py 会把 ONNX 模型放到部署二进制期望的目录结构中。如果缺少 huggingface_hub脚本会给出安装提示仓库公开可下载无需 token。快速部署deploy.sh 启动命令模型与观察配置必须配套使用encoder decoder observation_config 三件套。以低延迟版为例cd gear_sonic_deploy # 仿真中验证 ./deploy.sh \ --cp policy/low_latency/model \ --obs-config policy/low_latency/observation_config.yaml \ sim # 真机遥操作 / VLA ./deploy.sh \ --cp policy/low_latency/model \ --obs-config policy/low_latency/observation_config.yaml \ --input-type zmq_manager \ real默认模型直接./deploy.sh --input-type zmq_manager real即可v1.1 只需把路径换成policy/sonic_v1_1/。各模型的观察维度可对照 observation_config.yaml、observation_config_low_latency.yaml、observation_config_sonic_v1_1.yaml 查看。低延迟检查点在实验室真机上的实际效果跟随 VR 指令 地面拾取VLA 场景则用 gear_sonic/scripts/launch_inference.py 启动器通过--deploy-checkpoint/--deploy-obs-config传入对应模型路径即可。避坑指南4 个高频误区 ⚠️低延迟 ≠ 端到端延迟它指控制器参考前瞻从 200 ms 降到 80 ms传感、网络、推理的延迟依然存在。v1.1 不是低延迟版名字里没有 low-latency别混淆两者的观察配置。三件套必须同版本ONNX encoder/decoder 必须搭配同目录的 observation_config.yaml混用会维度不匹配。先仿真后真机检查点仅针对 Unitree G1 形态上真机前务必在sim模式验证并安排安全员随时急停。延伸参考模型卡docs/source/model_card.md评估入口gear_sonic/eval_agent_trl.pyIsaac Lab 中加载last.pt部署工程gear_sonic_deploy/C TensorRT 推理栈快速上手docs/source/getting_started/quickstart.md一句话总结通用部署选默认 SONIC追响应选低延迟版VR 三点稳定操控选 v1.1 —— 下载命令、观察配置、启动参数三者保持同一变体即可。【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