SONIC-K1: Porting a Universal Humanoid Motion Tracker to a Small Humanoid on a Single GPU

📄 arXiv: 2610.39327v1 📥 PDF

作者: Kyrylo Kolesnichenko, Jong-Hoon Kim

分类: cs.RO

发布日期: 2026-10-29

备注: Project page: https://kyry.me/sonic-k1

💡 一句话要点

提出SONIC-K1以实现小型人形机器人全身运动跟踪

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 人形机器人 运动跟踪 深度学习 仿真 开放权重

📋 核心要点

  1. 现有的人形机器人运动跟踪方法在计算资源和适应性方面存在局限，难以在小型机器人上实现高效跟踪。
  2. SONIC-K1通过适配SONIC框架，针对Booster K1人形机器人设计了一种新的全身运动跟踪策略，能够在单GPU上高效训练。
  3. 实验结果表明，SONIC-K1在仿真环境中能够成功跟踪大部分运动片段，并在真实环境中表现出一定的跟踪能力，尽管在某些动作上仍有待提高。

📝 摘要（中文）

我们提出了SONIC-K1，这是首个针对Booster K1人形机器人的开放权重全身运动跟踪器，通过将SONIC框架适配到这一较小的机器人上实现。该策略在单个共享GPU上从零开始训练，计算资源消耗远低于SONIC。在MuJoCo仿真中，SONIC-K1能够跟踪几乎所有的保留运动片段，并在外部基准测试中表现良好。在真实的K1上，它能够跟踪上半身和缓慢动作，但在行走和转向时的可靠性较低，仿真实验显示对动作延迟敏感。这些结果展示了在适度训练预算下的广泛运动跟踪能力，并指出量化硬件评估是下一步的主要方向。代码、策略权重和评估工具已公开可用。

🔬 方法详解

问题定义：本论文旨在解决小型人形机器人在运动跟踪方面的挑战，现有方法通常需要较高的计算资源，难以在资源有限的情况下实现有效跟踪。

核心思路：SONIC-K1通过将SONIC框架适配到Booster K1，设计了一种新的运动跟踪策略，能够在单个GPU上进行高效训练，从而降低计算成本。

技术框架：整体架构包括数据采集、运动跟踪策略的训练和评估三个主要模块。首先在MuJoCo仿真环境中进行训练，然后在真实机器人上进行验证。

关键创新：SONIC-K1的最大创新在于其开放权重的全身运动跟踪能力，首次在小型人形机器人上实现了高效的运动跟踪，与现有方法相比，显著降低了计算资源需求。

关键设计：在训练过程中，采用了特定的损失函数和网络结构，以优化运动跟踪的精度和稳定性，同时在参数设置上进行了针对性的调整，以适应K1机器人的特性。

🖼️ 关键图片

fig_0

📊 实验亮点

SONIC-K1在MuJoCo仿真中能够跟踪几乎所有的保留运动片段，并在外部基准测试中表现良好。尽管在真实K1上跟踪上半身和缓慢动作表现良好，但在行走和转向时的可靠性较低，显示出对动作延迟的敏感性。这些结果表明SONIC-K1在适度训练预算下具备广泛的运动跟踪能力。

🎯 应用场景

SONIC-K1的研究成果在机器人领域具有广泛的应用潜力，特别是在服务机器人、娱乐机器人和人机交互等场景中。其高效的运动跟踪能力可以提升机器人在复杂环境中的适应性和灵活性，未来可能推动人形机器人在实际应用中的普及与发展。

📄 摘要（原文）

We present SONIC-K1, to our knowledge the first open-weights whole-body motion tracker for the Booster K1 humanoid, obtained by adapting the SONIC framework to this smaller robot. The policy is trained from scratch on a single shared GPU with a small fraction of the compute reported for SONIC. In MuJoCo simulation, it tracks nearly all held-out motion clips and performs well on external benchmarks under SONIC's success criterion. On the real K1, it tracks upper-body and slow motions, while stepping and turning remain less reliable, and simulation experiments show a sensitivity to action latency. These results show broad motion-tracking capability on a modest training budget and point to quantitative hardware evaluation as the main next step. Code, policy weights and evaluation tools are publicly available.