GEAR-SONIC 是 NVIDIA 推出的 Unitree G1 人形机器人全身控制（Whole-Body Control）基础模型，本仓库的模型 Checkpoints 目录中提供了Default（默认版）、Low-Latency（低延迟版）和 SONIC v1.1三大变体。新手常困惑：同一个 SONIC 策略为什么有三个版本？下载 Checkpoint 时该选哪个？本文带你 5 分钟看懂三者的核心差异，并给出按场景选型的最终建议。

一、先搞懂：GEAR-SONIC 的推理管线长什么样？

在对比 Checkpoint 之前，先了解这三个变体在整条推理链路中的位置。三个变体共用同一套部署架构：输入接口（键盘、手柄、VR）把运动指令交给运动管理器，再由策略网络（Policy，即你下载的 encoder/decoder 模型）输出关节动作驱动机器人：

三个变体的区别不在管线本身，而在于Policy 模型的输入"视野"和训练方式不同——这也是选型的核心依据。所有变体共享以下规格：

• 64 维通用运动 Token（token_dimension: 64）
• 29 自由度（29-DoF）动作解码器
• 推理引擎为TensorRT，支持桌面与 Jetson 边缘设备

完整的变体元数据清单定义在 config.json 中，它是所有变体的"发布清单"，直接下载文件时建议一并带上。

二、三大变体核心差异速查表

一句话概括：

• 🎯Default：视野最广（200ms 前瞻），通用性最强
• ⚡Low-Latency：把 SMPL 参考视野砍到 80ms，换来最低响应延迟
• 🧭SONIC v1.1：在 200ms 视野基础上做了朝向归一化 + 手腕增强，转身时更稳

三、按场景选型：哪个 Checkpoint 适合你？

3.1 选 Default：通用运动跟踪与规划首选

如果你刚接触 GEAR-SONIC，用Kinematic Planner 生成运动（跑、爬、跳跃、拳击等风格）、做通用运动跟踪或日常遥操作实验，直接选默认版即可。它的 ONNX 模型放在仓库顶层，是最"标准"的部署配置。

相关 Checkpoint 文件：

• 策略编码器：model_encoder.onnx
• 策略解码器：model_decoder.onnx
• 观察配置：observation_config.yaml
• 运动规划器：planner_sonic.onnx
• PyTorch 训练检查点：sonic_release/last.pt（配合 sonic_release/config.yaml 使用）

3.2 选 Low-Latency：VR 遥操作要"跟手"就选它

VR 全身遥操作的体验瓶颈往往在参考动作的时延上。低延迟版把 SMPL 参考从 10 帧（约 200ms）压缩到4 帧（约 80ms），G1/遥操作参考也改为 step1 步长，机器人对操作者的动作响应更"跟手"，特别适合：

• 🎮 VR 全身遥操作的实时交互
• 🤖 VLA（视觉-语言-动作）策略在真机上的低延迟执行

它的 C++ 部署入口是policy/low_latency/model，观察配置见 low_latency/observation_config.yaml，训练检查点为 low_latency/last.pt（实验名sonic_release_3pt_ultralatency_not_usd也印证了其超低延迟定位）。

3.3 选 SONIC v1.1：转身稳定 + VLA 策略的升级版

SONIC v1.1不是低延迟模型（SMPL 视野仍是 200ms），它的改进点在于：

1. 机器人航向归一化：目标朝向以机器人自身航向为基准归一化，遥操作中转身、侧移时全身姿态更稳定
2. 手腕姿态增强训练：上肢（尤其是手腕）的跟踪精度更好

如果你要跑SONIC 支撑的 VLA 策略，或需要航向稳定的全身遥操作，选 v1.1。部署时建议启用官方调优：将左右踝关节俯仰电机（硬件索引 4、10）的 KP/KD 增益提升 1.5 倍（--motor-kp-scale 4,10=1.5、--motor-kd-scale 4,10=1.5），可显著提升全身稳定性和手腕跟踪效果。

观察配置可对照 sonic_v1_1/observation_config.yaml（注意其中的motion_anchor_orientation_heading_*观测项，即航向归一化的体现），训练检查点为 sonic_v1_1/last.pt。

四、快速上手：三条下载命令对应三种 Checkpoint

在部署代码仓库中，用官方脚本按变体下载（需先pip install huggingface_hub）：

python download_from_hf.py # 默认版策略 + 规划器 python download_from_hf.py --low-latency # 低延迟版策略 + 规划器 python download_from_hf.py --sonic-v1-1 # SONIC v1.1 策略 + 规划器

若需要在 Isaac Lab 中评测或渲染 PyTorch 检查点，加上--training参数（如python download_from_hf.py --training --low-latency），示例动作数据可在 sample_data/ 目录下找到（含 robot_filtered、smpl_filtered 等）。

五、新手必读：三个最容易踩的坑

1. ⚠️ 编码器/解码器必须同变体混用每个 ONNX 编码器只能与同一变体的解码器和观察配置配对使用。顶层的model_encoder.onnx不能配low_latency/下的 decoder，否则维度对不上直接报错。

2. ⚠️ 低延迟版需要新版 C++ 部署栈低延迟版的 SMPL 观测项是 4 帧版（smpl_joints_4frame_step1等），需要部署代码中对应的GetObservationRegistry()支持，旧版本加载会失败。

3. ⚠️ v1.1 忘了开踝关节增益调优v1.1 的推荐增益调优是可选但强烈建议的，不开也不会影响其他 Checkpoint 加载，但真机上全身稳定性和手腕跟踪会打折扣。

六、总结：一张图选出你的 Checkpoint

新手默认选 Default 准没错；对延迟敏感上 Low-Latency；追求复杂动作下的稳定性就上 SONIC v1.1。更详细的部署流程可参考仓库 README.md 中的 Model Checkpoints 章节。