SuperMimic: humanoid mozgáskövetés 1 GPU-n, 3 óra alatt

Mi az újdonság?

A UC Berkeley kutatói bemutatták a SuperMimicet, egy egész testes mozgáskövető vezérlőt humanoid robotokhoz (projektoldal). A szerzők között van Pieter Abbeel és Koushil Sreenath, a cikket a CoRL 2026 konferenciára fogadták el (arXiv).

A fő állítás: egyetlen NVIDIA H100-on három óra tanítás után a SuperMimic normalizált hozama meghaladja a SONIC kiadott checkpointjáét. A SONIC 128 NVIDIA L40 GPU-n hét napig tanult, ez kb. 21 ezer GPU-óra. A szerzők számítása szerint ez több mint ezerszer kevesebb GPU-óra, a falióra-idő pedig több mint ötvenszer rövidebb.

Hogyan működik?

A mostani megoldások többsége modellmentes megerősítéses tanulással dolgozik. Vagy mozgásonkénti specialistákat olvaszt össze desztillációval, vagy klaszternyi számítással tanít egyetlen policyt. A SuperMimic ehelyett egyetlen differenciálható world modellt tanul az összes mozgás közös dinamikájára, egy hagyományos szimulátor (MuJoCo Warp) naplózott átmeneteiből.

A world model és a policy egy ciklusban tanul. A policy rövid, elképzelt rolloutokon keresztül kap analitikus gradienseket, ettől gyors a tanulás.

Mik az eredmények?

• A 129 514 mozgásból álló teszten 25 mozgáson bukik el, a SONIC 179-en.
• Két GPU-n 9,8 óra után egyetlen mozgáson sem bukik el.
• A world model előrejelzési hibája stabil marad, ahogy a tanítóadat 1-ről 264 órányi mozgásra nő.
• A policy valódi Unitree G1 robotra is átvihető, akrobatikus mozgásokkal együtt.

Mire érdemes figyelni?

Az összehasonlítás nem azonos körülmények között készült. A SuperMimic a BONES-SEED adatkészlet nyilvános, 264,56 órás részén tanult, a SONIC a teljes, 611 órás adaton. A hardver is eltér: H100 az L40-nel szemben. A szerzők szerint ezek a különbségek nem magyarázzák az ezerszeres rést, de ez nem egyező feltételű újrafuttatás.

Ha az eredmény megáll, a humanoid vezérlés tanítása kisebb laborok számára is elérhetővé válik. A szerzők szerint így a mozgáskövetés skálázási törvényei is mérhetővé válnak.