type

method

SONIC（规模化运动跟踪人形控制）

SONIC 将规模化运动跟踪作为人形低层控制的统一预训练目标；论文主张网络容量、MoCap 数据与算力三轴 scaling，并以统一 token 接口接入 VR、视频、VLA 等上游。

SONIC（Supersizing Motion Tracking for Natural Humanoid Whole-Body Control）论证：在人形控制上 大规模拟合多样参考运动（motion tracking）可获得稳健的全身体现与少手工奖励设计，并随 模型容量、数据量与算力 同步扩展性能。项目由 NVIDIA 等与 CMU 等合作者推动（详见论文作者列表）。实现层面与 Whole-Body Control (WBC) 所讨论的「高自由度协调」问题同一战场：SONIC 用学习策略把参考运动映射为全身扭矩/位置指令。

官网（GEAR-SONIC，与 SONIC 别名页同源）在论文摘要之外，补充了 VLA 堆叠、VR/视频遥操作、音乐与文本条件、运动学规划器交互 等系统级演示；正式发表为 Science Robotics 11(117)，DOI 10.1126/scirobotics.aed4592。下文「公开材料要点」与之对齐，方法细节仍以 arXiv 与项目页为准。

英文缩写速查

缩写	英文全称	简要说明
SONIC	Supersizing Motion Tracking for Natural Humanoid WBC	规模化运动跟踪预训练人形控制
MoCap	Motion Capture	海量参考轨迹的监督来源
WBC	Whole-Body Control	全身协调跟踪的执行层问题
VLA	Vision-Language-Action	经统一 token 接入的高层接口
VR	Virtual Reality	遥操作与实时参考生成入口之一
BFM	Behavior Foundation Model	大规模行为数据预训练的可复用全身行为先验
AMP	Adversarial Motion Prior	用对抗判别约束状态转移接近专家运动分布的先验
FSQ	Finite Scalar Quantization	多编码器投影到共享潜 token 的量化接口
PPO	Proximal Policy Optimization	Isaac Lab 侧主训练算法（TRL 封装）
ONNX	Open Neural Network Exchange	PyTorch checkpoint 导出到 C++ / TensorRT 部署的交换格式
SMPL	Skinned Multi-Person Linear Model	人体参数化姿态，SMPL encoder 的输入模态之一
G1	Unitree G1	官方发布权重与训练默认的 29-DoF 人形平台
SOMA	Skeleton-Oriented Motion Abstraction	可选第四编码器：BVH 衍生骨架关节（`sonic_bones_seed`）

论文信息（arXiv:2511.07820）

字段	内容
完整标题	SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control
作者	Zhengyi Luo、Ye Yuan、Tingwu Wang 等 28 人；含 Tairan He、Jan Kautz、Umar Iqbal、Linxi "Jim" Fan、Yuke Zhu（完整名单见 arXiv）
机构	NVIDIA（GEAR Lab 等）；CMU 等合作者
arXiv 版本	v1 2025-11-11 → v2 2025-12-04 → v3 2026-05-21
项目页	https://nvlabs.github.io/GEAR-SONIC/（别名 https://nvlabs.github.io/SONIC/）
代码	https://github.com/NVlabs/GR00T-WholeBodyControl（`gear_sonic` 训练 + `gear_sonic_deploy` 部署）
权重	https://huggingface.co/nvidia/GEAR-SONIC
数据	https://huggingface.co/datasets/bones-studio/seed（BONES-SEED）
文档	https://nvlabs.github.io/GR00T-WholeBodyControl/

论文摘要口径的三个关键量：1 亿+ MoCap 帧（约 700 小时） 的密集轨迹监督、网络容量 1.2M→42M 参数 的扩展区间、约 2.1 万 GPU 小时 训练算力；结论是性能随算力与数据多样性 稳步改善，且学到的策略 泛化到未见动作。接口侧的一个具体细节：单一策略经 专用编码器 → 统一 token 空间，同时处理 机器人运动、人体运动与混合运动 三类指令的 共享潜表征——这也是 VR / 视频 / 文本 / 音乐 / VLA 能共用同一低层的原因。

Survey 坐标（策展索引）

在 42 篇 RL 运动控制身体系统栈中

字段	内容
编号	17/42
系统栈层	02 参考跟踪 · 通用控制
索引来源	具身智能研究室 · 42 篇 humanoid RL 运动控制长文

在 BFM 41 篇技术地图中

字段	内容
编号	07/41
分组	02 Goal-conditioned 学习
索引来源	awesome-bfm-papers

在人形 Loco-Manip 161 篇中

同一篇论文在 Loco-Manip 161 篇技术地图里出现两次（策展分类不同，canonical 实体仅此页）：

槽位	分组	分类 hub
019/161	01 运控基座与通用全身跟踪	loco-manip-161-category-01-motion-base-wbt
103/161	04 生成式运动、语言控制与轨迹规划	loco-manip-161-category-04-generative-language-trajectory

索引来源：具身智能研究室 · 161 篇人形 Loco-Manip 长文

为什么重要？

执行层「基础模型」叙事：把跟踪当作统一预训练目标，再用 统一 token / 控制接口 接入 VR、视频、VLA、文本与音乐等不同上游——降低「每换一个接口就重写 reward」的成本。
与 BeyondMimic lineage：同属高质量仿真里的模仿 / 跟踪路线；SONIC 强调 scaling 式的数据与网络扩展（参见 BeyondMimic 中的物理建模与采样细节对照阅读）。
与「少数据高效 tracking」对照：EGM（Efficient General Mimic）用 小时级精选 MoCap + bin 级课程采样 + CDMoE 追求高动态泛化，可与本文的 大规模预训练 路线并列阅读。
视频驱动现实的落脚点：人体运动估计（如 GENMO、WiLoR）给出参考轨迹后，需要动力学可行的跟踪策略；SONIC 在 ExoActor 中被用作「物理过滤器」，直接把人体运动喂入策略而省略部分经典重定向步骤（该结论具有任务与平台依赖性）。
交互式生成上游：ARDY（SIGGRAPH 2026）演示 实时自回归扩散人体运动 + SONIC 跟踪 → G1，与 Kimodo 离线生成→SONIC 形成 同生态不同延迟档位 的参考供给路径。
与 VLA 的分工示例：公开演示把 GR00T N1.5 与 SONIC 经同一接口串联，体现「慢推理 / 快反射」式 分层控制 的一种工程形态（参见 VLA）。
跨具身后训练： Any2Any（arXiv:2605.23733）以 Gear-SONIC 为源骨干，经运动学对齐 + 解码器侧 LoRA，用约 1% 全量训练成本将 WBT 迁到 LimX Oli/Luna 等新机——与本文「单平台 scaling」形成 预训练 vs 迁移 对照阅读。SONIC-Transfer（draft 2026-08）把同一份公开权重 整平台冻结，用闭式关节 codec + 仅动力学解码器 LoRA 迁到 AgiBot X2 Ultra，并报告 PHUMA OOD 69.0% vs 原生 incumbent 59.0%；近亲骨架上的更严冻结合同，不替代 Any2Any 的跨形态对齐。
结构 + 数据再 scaling： Humanoid-GPT（arXiv:2606.03985）在 ~2B 帧 + 因果 Transformer + expert DAgger 上继续推进零样本敏捷跟踪，项目页提供与 SONIC 的 四类真机并排对比；可与本文 ~100M + MLP 路线并列阅读「通才 tracker 前沿」。
独立感知对齐评测： HumanTracker（arXiv:2608.13555）复用本文 全身终止准则，在 153 h / 四族 光学测试集上零样本对照 GMT / TWIST2 / 本文 / Humanoid-GPT。本文 Interaction Succ 97.6% 最高，Ground HumanScore 26.5 高于 Humanoid-GPT（24.9），但 Daily / Highly Dynamic 三项落后。评测代码已开，数据集待发布。
WAM 上游接口： MotionWAM（arXiv:2606.09215）将 SONIC FSQ motion token 作为 World Action Model 的统一全身动作空间，由 Video DiT 单次前向隐状态条件 Motion DiT 预测，再经 SONIC 解码闭环执行 G1 loco-manipulation——与 GR00T+VLA 分层接 SONIC 形成 动力学先验 vs 语义先验 对照。ω-0（arXiv:2608.06375）同样以 SONIC 兼容全身 action latent 为接口，但世界信号改为 潜空间未来观测 embedding（非视频 DiT），并在家务 11 任务上报告 Omni SR 81.8%；采集侧亦用 SONIC 作 Pico VR 遥操作策略与公共运动仿真回放接地。
感知地形扩展： Perceptive BFM（CoRL 2026 submission）在 保留 raw 参考接口 的 BFM 叙事上叠加 机器人中心高程感知；项目页报告无视觉消融 reward 54.6 → 3.6，可与 SONIC 的 无感知大规模 tracking 形成「接口开放 vs 地形落地」对照。
接触丰富场景扩展： SceneBot（arXiv:2606.27581）在 同一 PPO tracking 范式 上叠加 per-link contact label 与 hindsight scene reconstruction 数据引擎；sim-to-sim 上 自由空间与 SONIC 同级，但 object/terrain/sit 成功率 95–100% vs 0–15%——说明 scaling 型 tracker 需额外 接触意图接口 才能落地搬箱、楼梯与坐椅等场景交互。
高覆盖率训练集长尾： Athena-WBC（arXiv:2607.04837，小鹏机器人）在 同平台重实现 SONIC-Base 上发现 残余训练集失败（高动态/平衡关键）不全是曝光问题，而是 保守 effort/temporal 奖励 与 名义重力冷启动 造成的 capability bottleneck；用 能力对齐 dynamic/balance expert → 路由 DAgger → RL 微调 改善长尾与 held-out，并提出 STC/TIS/MPJPE-W 评测——与本文「scaling 仍留长尾」形成互补阅读。

公开材料要点（论文摘要 + 官网，2026-05）

主题	公开叙述摘要
规模	网络约 1.2M→42M 参数叙述区间；数据约 1 亿+ 帧、约 700 小时 MoCap；算力约 2.1 万 GPU 小时量级；性能随规模与数据多样性稳步改善的报道。
统一策略	主要展示结果来自单一统一控制策略（非每场景独立训一条专用 policy 的叙事）。
下游	实时运动学规划器与 tracking 衔接，支持导航与多样步态 / 姿态；统一 token 空间同时服务 VR 遥操作与 VLA（演示为 GR00T N1.5）。
遥操作	视频 + GEM 姿态估计；VR 三点上身 + 规划器下身；VR 全身追踪。
多模态条件	音乐 / 文本经 GEM 生成人体运动，再由策略跟踪。
已开源	训练/部署代码在 GR00T-WholeBodyControl；权重 HF GEAR-SONIC；动捕子集 BONES-SEED（2026-07-20 项目页/文档站核查）。

流程总览（Mermaid）

1）规模化训练主轴（数据 × 模型 × 算力）

flowchart TD
  subgraph data["参考运动数据"]
    D1[动捕库<br/>论文量级：亿级帧 / 数百小时]
    D2[多样化行为片段<br/>步态 / 操作 / 风格化动作等]
  end

  subgraph train["监督学习（motion tracking）"]
    T1[网络容量 scaling<br/>约 1.2M→42M 参数量级叙述]
    T2[密集轨迹监督<br/>跟踪损失为主]
    T3[大规模算力投入<br/>约 2.1 万 GPU 小时量级叙述]
  end

  subgraph out["产出"]
    P[统一 tracking policy<br/>官网：单一策略多演示]
  end

  D1 --> T2
  D2 --> T2
  T1 --> T2
  T3 --> T2
  T2 --> P

2）统一控制接口：多上游 → token → 低层全身执行

flowchart LR
  subgraph upstream["条件 / 指令来源（官网展示）"]
    U1[VR：三点 / 全身追踪]
    U2[人体视频 + GEM 姿态]
    U3[文本 / 音乐 + GEM 生成人体运动]
    U4[VLA：GR00T N1.5 等<br/>高层语义与任务推理]
    U5[交互式运动学规划器<br/>手柄 / 风格化步态与姿态]
  end

  subgraph enc["专用编码器族"]
    E[映射到统一 token / 潜空间]
  end

  subgraph core["SONIC tracking policy"]
    C[快速全身跟踪与平衡反应]
  end

  subgraph robot["人形硬件"]
    R[关节扭矩或跟踪目标下发]
  end

  U1 --> E
  U2 --> E
  U3 --> E
  U4 --> E
  U5 --> E
  E --> C --> R

上图强调 模块边界：GEM / VLA / 规划器位于「生成或规划参考运动」一侧；SONIC 负责在动力学与接触约束下 高频率跟踪；具体观测栈、控制频率与接口字段以论文与官方文档站为准。

读源码导航（论文 ↔ 仓库）

官方实现落在 NVlabs/GR00T-WholeBodyControl（工程仓总览见 GR00T-WholeBodyControl）。读仓建议顺序：模块边界 → 文件树 → 算法↔代码映射 → 统一 token 数据流 → 运行时序；命令与路径以仓库 README / Training Guide / Quick Start 为准。

1）模块边界（训练 / 仿真 / 部署）

flowchart TB
  subgraph assets["资产层"]
    HF["HF GEAR-SONIC<br/>PyTorch / ONNX / obs config"]
    SEED["HF BONES-SEED<br/>G1 CSV"]
  end

  subgraph train_stack["gear_sonic · Isaac Lab Python"]
    DP["data_process<br/>CSV to motion_lib + filter"]
    CFG["config Hydra exp<br/>sonic_release / bones_seed"]
    ENV["envs 并行跟踪环境"]
    TRL["trl + train_agent_trl.py<br/>PPO + 辅助损失"]
    EV["eval_agent_trl.py<br/>指标 / 渲染 / ONNX 导出"]
  end

  subgraph deploy_stack["gear_sonic_deploy · C++ TensorRT"]
    DEP["deploy.sh sim or real"]
    RT["50 Hz encoder to decoder<br/>ZMQ / VR / keyboard"]
  end

  subgraph runtime["运行时目标"]
    MJ["MuJoCo run_sim_loop"]
    G1HW["Unitree G1 真机"]
  end

  SEED --> DP --> ENV
  HF --> TRL
  HF --> DEP
  CFG --> TRL
  ENV --> TRL
  TRL --> EV
  EV -->|"export_onnx_only"| DEP
  DEP --> RT
  RT --> MJ
  RT --> G1HW

要点：Isaac Lab 只跑 gear_sonic；真机 / sim2sim 走 独立 C++ 栈；权重从 last.pt 经 eval_agent_trl.py +export_onnx_only=true 落到部署用 ONNX。

2）文件树注解（先认路，再下钻）

GR00T-WholeBodyControl/
├── download_from_hf.py          # 拉权重 / SMPL；--training · --low-latency
├── gear_sonic/                  # ★ 训练与评测（Isaac Lab）
│   ├── data_process/            # Bones-SEED CSV→PKL、过滤、SOMA/BVH
│   ├── config/                  # Hydra：+exp=…/sonic_release
│   ├── envs/                    # 跟踪环境、观测与 reward 接线
│   ├── trl/                     # PPO / TRL 算法实现
│   ├── train_agent_trl.py       # 训练 / 微调入口
│   ├── eval_agent_trl.py        # 评测、渲染、ONNX 导出
│   └── scripts/                 # run_sim_loop · launch_inference · VR
├── gear_sonic_deploy/           # ★ C++ 推理（真机 / sim2sim）
│   └── deploy.sh                # ./deploy.sh sim | real · --cp · --obs-config
├── motionbricks/                # 同仓生成式运动预览（非 SONIC 主干）
└── data/                        # 本地 motion_lib_* / smpl_filtered（gitignore 常见）

同仓还有 Decoupled WBC 与 MotionBricks；读 SONIC 时默认只跟 gear_sonic* + HF 权重，避免和 N1.5 解耦 WBC 混线。

3）算法 ↔ 代码映射

论文 / 方法概念	仓库落点	读什么
规模化 motion tracking 预训练	`train_agent_trl.py` + `+exp=…/sonic_release`	单一统一策略、PPO 主环
专用编码器 → 统一 token	Training Guide：G1 / teleop / SMPL（+ 可选 SOMA）→ FSQ → 共享 64-d latent	换上游 = 换 encoder，decoder 共用
密集跟踪监督 / 奖励	`envs/` + W&B `rewards/`、`tracking_`	`anchor_pos_err`、`body_pos_err`、`mpjpe_*`
MoCap 数据规模	BONES-SEED → `convert_soma_csv_to_motion_lib.py` → `filter_and_copy_bones_data.py`	过滤后约 130K / 142K PKL
多模态条件（VR / 视频 / VLA）	teleop encoder；`scripts/launch_inference.py`；ZMQ Manager	低层仍是同一 decoder
实时运动学规划器	文档 Kinematic Planner + 部署输入类型	手柄 / 风格化步态接 tracking
真机 50 Hz 全身控制	`gear_sonic_deploy/deploy.sh` + `model_{encoder,decoder}.onnx`	默认约 200 ms（10×20 ms）参考 lookahead；低延迟档 4 帧 / ~80 ms
配置驱动实验	Hydra `+exp=manager/universal_token/all_modes/…`	`sonic_release` vs `sonic_bones_seed`

4）统一 token 数据流（部署侧）

flowchart LR
  subgraph inputs["参考模态 并行 encoder"]
    I1["G1 关节轨迹"]
    I2["Teleop 头+双腕 3-point"]
    I3["SMPL 人体关节"]
    I4["SOMA 骨架 可选"]
  end

  subgraph core["universal-token 策略 50 Hz"]
    ENC["专用 Encoder 族"]
    FSQN["FSQ to 64-d token"]
    DEC["共享 Decoder"]
  end

  subgraph out["执行"]
    ACT["29-DoF G1 关节动作"]
  end

  I1 --> ENC
  I2 --> ENC
  I3 --> ENC
  I4 --> ENC
  ENC --> FSQN --> DEC --> ACT

发布权重把 encoder / decoder 拆成 ONNX 对；Default 与 Low-latency teleop 必须成套使用（含各自的 observation_config.yaml），不可混搭。

5）源码运行时序图

权重与 SMPL 样本经 download_from_hf.py 从 HF nvidia/GEAR-SONIC 拉取；大规模参考动作用 BONES-SEED G1 CSV 转成 motion lib。一次完整「数据 → 训练 → 评测 → 部署」交互如下：

sequenceDiagram
    autonumber
    actor U as 用户
    participant HF as Hugging Face<br/>GEAR-SONIC · BONES-SEED
    participant DP as gear_sonic/data_process<br/>convert · filter
    participant TR as gear_sonic/<br/>train_agent_trl.py
    participant LAB as Isaac Lab<br/>并行环境
    participant EV as gear_sonic/<br/>eval_agent_trl.py
    participant DEP as gear_sonic_deploy/<br/>deploy.sh
    participant SIM as MuJoCo run_sim_loop<br/>或 Unitree G1 真机
    U->>HF: download_from_hf.py --training<br/>（checkpoint + SMPL）
    U->>HF: 下载 BONES-SEED G1 CSV
    U->>DP: convert_soma_csv_to_motion_lib.py<br/>→ filter_and_copy_bones_data.py
    DP-->>TR: data/motion_lib_bones_seed/robot_filtered
    U->>TR: train_agent_trl.py<br/>+exp=…/sonic_release
    loop PPO / TRL 迭代
        TR->>LAB: 批量动作（统一 token 跟踪）
        LAB-->>TR: 观测 + 跟踪奖励 / 误差
        TR->>TR: 策略更新 · 写 checkpoint
    end
    U->>EV: eval_agent_trl.py<br/>+checkpoint=sonic_release/last.pt
    EV->>LAB: 加载策略与参考 motion lib
    EV-->>U: 指标 / 渲染视频
    U->>EV: +export_onnx_only=true
    EV-->>DEP: exported/*_encoder.onnx · *_decoder.onnx
    U->>DEP: deploy.sh sim 或 real<br/>（ONNX / TensorRT）
    DEP->>SIM: 50 Hz 策略推理 · 多速率命令环
    SIM-->>DEP: 本体 / 深度等观测
    DEP-->>U: 键盘 / VR / ZMQ 接口控制

训练与部署解耦：Python 训练环境与 C++ 部署栈分离；中间靠 ONNX 交接。
统一 token 接口不变：换 VR / 视频 / 规划器 / VLA 上游只换 encoder，不重训整条低层 tracking policy——与上文「多上游 → token → 全身执行」及本节数据流图一致。

主要技术路线

维度	要点
监督	密集跟踪损失：策略输出逼近参考全身运动（具体观测与动作空间以论文为准）。
规模	论文与官网公开量级包含上亿帧、约 700 小时 MoCap、约 1.2M→42M 参数叙述与约 2.1 万 GPU 小时算力叙述；性能随规模单调改善的报道支撑「跟踪可扩展」论点。
接口	专用编码器 → FSQ → 统一 64-d token → 共享 decoder；支持 VLA、VR、视频、文本 / 音乐等上游与实时运动学规划桥接；部署 50 Hz，ONNX encoder/decoder 成套使用。

常见误区或局限

不是万能仿真替身：跟踪器只能在其训练分布与机器人动力学对齐的范围内泛化；极端杂技或强接触任务仍可能失败。
跳过重定向的前提：ExoActor 显示「人体轨迹 → SONIC」可优于某些 SMPL→机器人重定向流水线，但不等于所有平台都应丢弃重定向（参见 GMR 讨论）。
硬件差异：同一策略在不同人形硬件上仍需适配观测与动作映射。
演示与论文的边界：官网视频突出系统集成；可重复协议、随机种子与定量对比仍以论文与仓库 eval_agent_trl.py / 文档站评测脚本为准。

与其他页面的关系

BeyondMimic：相近生态里的高性能模仿框架，可作为物理建模与采样策略的对照。
ExoActor：SONIC 作为生成视频流水线的机器人侧执行模块的案例。
Imitation Learning：大规模跟踪可视为广义的演示驱动学习。
VLA：SONIC 可作为低层执行器与 VLA 堆叠时的接口参考。
Teleoperation：VR / 视频遥操作与规划器下身的工程组合参考。
GR00T-WholeBodyControl：官方训练 / 部署单仓与文档站入口。
ORCS：USC 开源 SONIC + LoRA 任务后训练工具包（Dodge / PerLoco / UOLM）；ViBe 配套工程，student 蒸馏在 roadmap。
Zhengyi Luo（罗正宜）：论文共同一作与项目核心贡献者之一，主页汇总 SONIC 与相邻人形工作入口。
GentleHumanoid：同属 motion tracking 族，但显式优化 上半身柔顺与可调接触力，可与 SONIC 的规模化刚性跟踪对照阅读。
Humanoid-GPT：2B 帧 + Transformer 蒸馏路线；站点直接与 SONIC 对比 daily/dance/高动态/平衡四类行为。
HumanTracker：四族光学基准 + HumanScore；复用 SONIC 终止准则，零样本表上本文 Ground 观感更好、整体贴合落后 Humanoid-GPT。
SceneBot：contact-prompted 单策略 tracker；论文以 SONIC 为自由空间强基线，在 地形+物体 交互上展示 contact label 与场景重建数据的必要性。
HumanoidArena：将 SONIC 与 TWIST2 并列为 分层全身学习的双 GMT 后端，在 7 项腿关键 HOI/HSI 上评测 跨 GMT 迁移 与扰动泛化（arXiv:2606.17833）。
Athena-WBC：以 SONIC 配方 为强基线，研究 训练集长尾残余 的 能力对齐专家蒸馏（arXiv:2607.04837）；绝对数字不与 G1 发布权重直接可比。
ScaleBFM：同 motion-tracking BFM 预训练叙事，但系统拆解 on-policy 数量 × 参考多样性 × Humanoid Transformer 三轴 scaling；whole-body 基准上 BFM-Global 相对 SONIC G-MPKPE 降幅约 54%（BONES）/ 82%（Ours）（arXiv:2607.15163）。
Teleopit：在 mocap/PICO 持出跟踪表中以 SONIC 为基线之一；主线是 VR 全身体+连续灵巧手 遥操作闭环，而非规模化通用 tracking（arXiv:2608.01834）。
FDDC：单腿平衡 sim2sim 基准上 SONIC 为最强通用侧（Fail 18.9%、Marginal 81.1%），但仍 Perfect 0/90——规模带来稳健，不等于根因单腿平衡（arXiv:2608.00500）。

参考来源

SONIC（规模化人体运动跟踪驱动的人形全身控制）
GR00T-WholeBodyControl 仓归档 — 官方训练/部署单仓
humanoid_rl_stack_17_sonic_supersizing_motion_tracking_for_natural_hu.md — 42 篇栈策展摘录
humanoid_rl_stack_42_catalog.md — 42 篇总表
bfm_awesome_sonic_arxiv_2511_07820.md — awesome-bfm 策展摘录
bfm_awesome_41_catalog.md — 41+10 总表
wechat_embodied_ai_lab_humanoid_rl_motion_survey.md — RL 运动控制微信公众号编译导读
wechat_embodied_ai_lab_scirobotics_three_humanoid_papers_2026.md — SciRob 同期三层读法；项目页确认 11(117) / aed4592
wechat_embodied_ai_lab_bfm_41_papers_survey.md — BFM 41 篇微信公众号编译导读
loco_manip_161_survey_019_sonic.md — Loco-Manip 161 #019 策展摘录
loco_manip_161_survey_103_sonic.md — Loco-Manip 161 #103 策展摘录
humanoid_loco_manip_161_catalog.md — Loco-Manip 161 总表
wechat_embodied_ai_lab_humanoid_loco_manip_161_survey.md — Loco-Manip 161 微信公众号编译导读
motion_cerebellum_64_catalog.md — 运动小脑 64 篇总表
wechat_embodied_ai_lab_humanoid_motion_cerebellum_survey.md — 运动小脑微信公众号编译导读
原始抓取：wechat_humanoid_rl_42_survey_2026-05-26.md
NVIDIA SONIC 项目页 — https://nvlabs.github.io/GEAR-SONIC/（页面内摘要、方法段落与演示分区；2026-07-20 再核源码入口）
官方代码 / 文档 — https://github.com/NVlabs/GR00T-WholeBodyControl · https://nvlabs.github.io/GR00T-WholeBodyControl/
权重与数据 — https://huggingface.co/nvidia/GEAR-SONIC · https://huggingface.co/datasets/bones-studio/seed
arXiv 摘要与版本页 — https://arxiv.org/abs/2511.07820（v3，2026-05-21；作者名单、规模量级与统一潜表征叙述；正文写明 Code is available at GR00T-WholeBodyControl）

关联页面

MimicX — 用策略执行反馈精炼视频动作跟踪监督与 reset curriculum。
ZEST vs SONIC vs 视觉足球 — SciRob 同期三层：技能编译器 / 运动底座 / 感知任务环
FB / BFM-Zero / INTACT / Mimic / VLA 任务空间表征对比 — Mimic/FSQ 在任务球上的曲线投影与 OOD 读法
人形 RL 身体系统栈 — 42 篇栈总框架（本文 #17/42）
BFM 41 篇技术地图 — 本文 #07/41（02 Goal-conditioned 学习）
Loco-Manip 161 篇技术地图 — 本文 #019/#103 双槽位
Behavior Foundation Model（概念）
ScaleBFM（BFM scaling 配方）
BeyondMimic
UMR — BONES-SEED 上用本页配方比官方 GMR 参考（关 SMPL encoder 时约 +10%）
ExoActor (视频生成驱动的交互式人形控制)
GENMO（统一人体运动估计与生成）
ARDY（交互式人体运动生成） — 实时扩散生成 + SONIC→G1 闭环演示
VLA（Vision-Language-Action）
LEGS（论文实体） — G1 loco-manip VLA 数据合成以 SONIC 为低层 WBC（arXiv:2606.01458）
MotionWAM（论文实体） — WAM 预测 SONIC 统一 motion token 的实时人形 loco-manip（arXiv:2606.09215）
ω-0（论文实体） — 潜空间 foresight + SONIC 全身 latent 的并发家务 loco-manip（arXiv:2608.06375）
SceneBot（论文实体） — contact label + hindsight 场景重建；自由空间媲美 SONIC、场景交互显著领先（arXiv:2606.27581）
HumanoidArena（论文实体） — SONIC 作为 GMT 后端的分层 egocentric benchmark（arXiv:2606.17833）
HumanTracker（论文实体） — 四族光学 tracking 基准 + HumanScore（arXiv:2608.13555）
GenTrack（论文实体） — 对已发布 SONIC 做生成器–跟踪器在线后训练；LAFAN1 SR 85→90（仿真 G1，未开源）
SONIC-Transfer — 冻结公开权重 + 闭式 codec 迁到 AgiBot X2 Ultra
DPC（论文实体） — 把冻结 SONIC 解码器写成表示/联合训练/动作像三条上限；主张 direct-joint PD（Symbiosis 2026-08，未开源）
Teleoperation（遥操作）
Extreme-RGMT — generalist 跟踪上叠高动态技能；仿真对照含 SONIC
Zhengyi Luo（罗正宜）
PredActor — 把未来状态留在扩散策略内部做引导，无需独立 motion-reference tracker（与 SONIC 式 tracker 路线对照；arXiv:2609.24840；截至 2026-10-08 仅开放 MuJoCo 评测器与 checkpoint，训练/真机部署未发布）
HumanoidTTT — 在全身跟踪控制器之上做测试时动作复用与动作库管理
ViT-H — 单目视频直接生成 G1 参考动作，以全身 tracker 执行反馈做 DPO 后训练；跟踪策略作为视频生成的下游接口（arXiv:2610.32966）

Navigation Menu

Repository navigation

sonic-motion-tracking.md

sonic-motion-tracking.md

SONIC（规模化运动跟踪人形控制）

英文缩写速查

论文信息（arXiv:2511.07820）

Survey 坐标（策展索引）

在 42 篇 RL 运动控制身体系统栈中

在 BFM 41 篇技术地图中

在人形 Loco-Manip 161 篇中

为什么重要？

公开材料要点（论文摘要 + 官网，2026-05）

流程总览（Mermaid）

1）规模化训练主轴（数据 × 模型 × 算力）

2）统一控制接口：多上游 → token → 低层全身执行

读源码导航（论文 ↔ 仓库）

1）模块边界（训练 / 仿真 / 部署）

2）文件树注解（先认路，再下钻）

3）算法 ↔ 代码映射

4）统一 token 数据流（部署侧）

5）源码运行时序图

主要技术路线

常见误区或局限

与其他页面的关系

推荐继续阅读

参考来源

关联页面

FilesExpand file tree

sonic-motion-tracking.md

Latest commit

History

sonic-motion-tracking.md

File metadata and controls

SONIC（规模化运动跟踪人形控制）

英文缩写速查

论文信息（arXiv:2511.07820）

Survey 坐标（策展索引）

在 42 篇 RL 运动控制身体系统栈中

在 BFM 41 篇技术地图中

在人形 Loco-Manip 161 篇中

为什么重要？

公开材料要点（论文摘要 + 官网，2026-05）

流程总览（Mermaid）

1）规模化训练主轴（数据 × 模型 × 算力）

2）统一控制接口：多上游 → token → 低层全身执行

读源码导航（论文 ↔ 仓库）

1）模块边界（训练 / 仿真 / 部署）

2）文件树注解（先认路，再下钻）

3）算法 ↔ 代码映射

4）统一 token 数据流（部署侧）

5）源码运行时序图

主要技术路线

常见误区或局限

与其他页面的关系

推荐继续阅读

参考来源

关联页面