Точность отслеживания движений в девяносто девять и две десятых процента на ста двадцати трех сложных тестах показал универсальный ИИ-контроллер SONIC от NVIDIA

Источник: Humanoid Guide

Рекордный показатель успешного выполнения моторных задач в девяносто девять целых и две десятых процента продемонстрировала универсальная нейросетевая модель управления движением SONIC, официальный технический отчет о натурных испытаниях которой на серийном андроиде Unitree G1 опубликовало исследовательское подразделение NVIDIA Research. Разработка калифорнийского чипмейкера решает фундаментальную проблему фрагментации низкоуровневого софта в индустрии, заменяя сотни узкоспециализированных скриптов балансировки единой масштабируемой моделью управления всем телом шагающего механизма.

Архитектура SONIC, название которой расшифровывается как Scalable Online Neural Imitation Controller, построена на принципе сквозного имитационного обучения на гигантских массивах оцифрованных движений человека MoCap. В основу проекта легла концепция трехмерного масштабирования физического ИИ: одновременное наращивание объема обучающих треков до сотен часов, увеличение емкости нейросети от одного миллиона до сорока двух миллионов параметров и привлечение свыше двадцати одной тысячи машинных часов на кластерах графических ускорителей H100 в среде пространственного симулятора Isaac Lab.

В ходе масштабной программы валидации на физическом андроиде Unitree G1 система воспроизвела сто двадцать три разнородные динамические моторные траектории. В перечень тестовых сценариев вошли резкие развороты на скользких покрытиях, глубокие приседания, спортивные прыжки, элементы восточных единоборств, балансирование на одной стопе и мгновенное гашение возмущений после сильных боковых толчков в корпус. Модель продемонстрировала способность адаптироваться к физическим неровностям рельефа, распределяя вращающие импульсы между всеми двадцатью тремя шарнирами робота с задержкой цикла менее десяти миллисекунд.

Особое внимание разработчики уделили задачам синхронной локо-манипуляции и преодолению преград: ходьбе по лестничным маршам, перешагиванию через препятствия высотой до сорока пяти сантиметров и удержанию равновесия при одновременном открывании тяжелых дверей или переноске несимметричных коробов. В симуляторе инженеры применили глубокую рандомизацию физических характеристик — от коэффициентов трения опорных стоп до микрозадержек в шине передачи команд, что гарантировало стабильный перенос динамических паттернов из виртуального пространства в реальные физические условия без потери устойчивости.

Дополнительным направлением применения SONIC стал сбор обучающих датасетов через системы телеоперации. Оператор в VR-шлеме управляет движениями андроида без ощутимых задержек, а контроллер автоматически сглаживает кинематические нестыковки между человеческим скелетом и суставами машины. С использованием этой связки исследователи собрали сорокачасовую базу данных бытовых манипуляций ω-HOME, охватывающую двадцать четыре сложных домашних сценария: от сортировки белья до обращения с кухонной техникой.

Гибкая внутренняя структура модели позволяет легко адаптировать обученные веса под различные конфигурации суставов от двадцати до пятидесяти пяти степеней свободы. Это устраняет необходимость переписывать низкоуровневые драйверы при переходе на новые конструкции манипуляторов или смене типов редукторов.

Связующим звеном архитектуры выступает стандартизированный интерфейс квантованных токенов движения FSQ. Он позволяет использовать SONIC в качестве универсального исполнительного ядра для любых высокоуровневых систем: от шлемов операторов при дистанционном управлении до мультимодальных моделей класса Vision-Language-Action. Высокоуровневый искусственный интеллект формулирует общую цель действия, а низкоуровневый контроллер транслирует ее в согласованные команды электромоторов с учетом динамических пределов конструкции.

Программный комплекс оптимизирован для автономного исполнения на бортовых вычислительных микромодулях серии Jetson без необходимости обращения к облачным серверам. Исходный программный код, веса нейросети и инструментарий симуляционного пайплайна выложены в открытый доступ в репозитории NVlabs.