[{"data":1,"prerenderedAt":132},["ShallowReactive",2],{"project-content-zh-mimiclite":3},{"id":4,"title":5,"body":6,"description":121,"extension":122,"meta":123,"navigation":127,"path":128,"seo":129,"stem":130,"__hash__":131},"projects\u002Fprojects\u002Fzh\u002Fmimiclite.md","MimicLite",{"type":7,"value":8,"toc":103},"minimark",[9,13,17,20,24,27,30,33,36,39,42,45,49,52,55,58,61,64,68,71,75,78,81,84,87,90,93,96,99],[10,11,12],"h2",{"id":12},"核心亮点",[14,15,16],"p",{},"MimicLite 是 RoboParty Lab 面向人形机器人通用运动跟踪的开源训练与部署项目。它用 8 GPU 和约 1\u002F500 的 SONIC 算力训练出接近 SONIC 级别的运动跟踪策略，并把数据、资产、训练、遥操作与 Sim2Real 部署打通成一条可复现的工程链路。",[14,18,19],{},"它不是一段单独的训练脚本，而是一套围绕 humanoid motion tracking 组织起来的 codebase 和 infra。",[21,22],"metric-strip",{":items":23},"[{\"label\":\"训练资源\",\"value\":\"8 GPU\",\"description\":\"使用 8 卡 H200 完成核心训练。\",\"icon\":\"i-lucide-cpu\"},{\"label\":\"算力规模\",\"value\":\"1\u002F500\",\"description\":\"目标算力约为 SONIC 的 1\u002F500。\",\"icon\":\"i-lucide-gauge\"},{\"label\":\"训练时间\",\"value\":\"2 小时\",\"description\":\"用于验证 SONIC 级运动跟踪策略的轻量训练路径。\",\"icon\":\"i-lucide-clock-3\"},{\"label\":\"遥操作延迟\",\"value\":\"0.1 秒\",\"description\":\"Pico 低延迟遥操作的端到端目标。\",\"icon\":\"i-lucide-radio\"}]",[10,25,26],{"id":26},"项目简介",[14,28,29],{},"MimicLite 关注一个很实际的问题：如何用更低成本、更轻量的训练流程，让通用人形机器人运动跟踪策略更容易被复现、扩展和部署。",[14,31,32],{},"项目围绕 motion data、robot assets、policy artifact、teleoperation 和 Sim2Real deployment 展开。mjhub 用于统一管理机器人资产，any4hdmi 用于动作数据的 convert、process、visualize 和 load，训练后得到的策略可以继续进入遥操作和真实机器人部署链路。",[10,34,35],{"id":35},"相关工作",[14,37,38],{},"MimicLite 可以放在通用人形机器人运动跟踪、强化学习控制、motion imitation、Sim2Real 部署和低延迟遥操作等方向中理解。",[14,40,41],{},"它参考并连接了 SONIC、mjlab \u002F IsaacLab、PPO \u002F SAC、humanoid-gpt、twist2、teleopit 等训练与部署路线。MimicLite 更强调把已有高成本方案中的能力，以更轻量、更可复现的 codebase \u002F infra 方式沉淀下来。",[10,43,44],{"id":44},"技术方法",[46,47,48],"h3",{"id":48},"快速可扩展训练",[14,50,51],{},"MimicLite 仅使用 SONIC 约 1\u002F500 级别的训练算力，用 8 卡 H200 训练约 2 个小时，就能在根部追踪等关键指标上达到接近 SONIC 的效果。系统支持 mjlab 与 IsaacLab 仿真后端，兼容 PPO 和 SAC 强化学习算法，并保留继续随并行环境数、GPU 数量和模型容量扩展的空间。",[46,53,54],{"id":54},"运动跟踪基础设施",[14,56,57],{},"MimicLite 将机器人资产、动作数据格式、policy artifact 和训练后端组织成统一链路。mjhub 降低机器人模型资产维护成本，any4hdmi 将 LAFAN、100STYLE、SONIC、Real 等动作数据统一成存储高效的 HDMI 格式，并支持自动缓存前向运动学结果。",[46,59,60],{"id":60},"低延迟遥操作",[14,62,63],{},"MimicLite 支持约 0.1 秒端到端延迟的 Pico \u002F XR 遥操作。XR 输入会被实时转换为参考动作，策略根据机器人状态和参考运动输出低层控制目标，并可以在 MuJoCo 和真实机器人之间复用同一套接口。",[46,65,67],{"id":66},"模块化-sim2real","模块化 Sim2Real",[14,69,70],{},"Sim2Real 部署侧支持自定义 observation function 作为 policy 输入。Agent 可以追踪外部训练代码，实现对应 obs function，并生成 deploy YAML，从而把外部 codebase 训练出的 policy 接入 MimicLite 的部署链路。",[72,73],"pipeline-flow",{":items":74},"[{\"title\":\"准备动作数据\",\"description\":\"整理动作来源、机器人资产和训练所需的数据格式。\",\"icon\":\"i-lucide-database\"},{\"title\":\"配置训练任务\",\"description\":\"确定 observation、reward、资源数量和训练参数。\",\"icon\":\"i-lucide-sliders-horizontal\"},{\"title\":\"训练与监控\",\"description\":\"启动策略训练，观察 loss、step、资源占用和关键行为指标。\",\"icon\":\"i-lucide-activity\"},{\"title\":\"导出与部署\",\"description\":\"导出 policy artifact，并接入 Sim2Real 或机器人部署链路。\",\"icon\":\"i-lucide-upload-cloud\"}]",[10,76,77],{"id":77},"评估结果",[14,79,80],{},"当前公开文案中，MimicLite 已在根部追踪等关键指标上达到接近 SONIC 的效果，并在真机上支持转身、侧步、折返跑、低姿态下蹲、跪地起身等连续动作切换。正式素材到位后，这一部分会优先补充训练曲线、对比视频和真实机器人部署效果。",[10,82,83],{"id":83},"讨论",[14,85,86],{},"MimicLite 的价值不只在训练结果，也在于统一数据、资产、训练后端、策略 artifact 和部署链路。它可以成为跨 codebase policy 统一评测和真机部署的适配层，减少每个数据集、机器人或训练后端重复编写 glue code 的成本。",[10,88,89],{"id":89},"结论",[14,91,92],{},"MimicLite 希望把人形机器人运动跟踪从高成本、难复现的单点实验，推进到更轻量、更模块化、更适合开源协作的工程链路中。",[10,94,95],{"id":95},"资源链接",[14,97,98],{},"GitHub、训练配置、示例数据、模型权重、技术报告和引用信息将在正式公开后持续补充。",[100,101],"resource-links",{":links":102},"[{\"label\":\"GitHub\",\"href\":\"https:\u002F\u002Fgithub.com\u002FjaggerShen\",\"icon\":\"i-simple-icons-github\",\"external\":true},{\"label\":\"项目主页\",\"href\":\"\u002Fprojects\u002Fmimiclite\",\"icon\":\"i-lucide-globe\"}]",{"title":104,"searchDepth":105,"depth":105,"links":106},"",2,[107,108,109,110,117,118,119,120],{"id":12,"depth":105,"text":12},{"id":26,"depth":105,"text":26},{"id":35,"depth":105,"text":35},{"id":44,"depth":105,"text":44,"children":111},[112,114,115,116],{"id":48,"depth":113,"text":48},3,{"id":54,"depth":113,"text":54},{"id":60,"depth":113,"text":60},{"id":66,"depth":113,"text":67},{"id":77,"depth":105,"text":77},{"id":83,"depth":105,"text":83},{"id":89,"depth":105,"text":89},{"id":95,"depth":105,"text":95},"用 8 GPU 和约 1\u002F500 的 SONIC 算力训练 SONIC 级人形机器人通用运动跟踪策略，打通数据、资产、训练、遥操作与 Sim2Real 部署全链路。","md",{"slug":124,"coverImage":125,"status":126,"published":127},"mimiclite","\u002Fimages\u002Fjoin-us\u002Fjoin-us-hero-poster.jpg","preview",true,"\u002Fprojects\u002Fzh\u002Fmimiclite",{"title":5,"description":121},"projects\u002Fzh\u002Fmimiclite","HM8FGCVKzYM9l39O_Ol4tJtVcGLTtzrvMIDJPtuZOJ4",1782988731083]