SuperMimic: Tek Dünya Modeliyle İnsansı Robot Hareket Takibi ve G1 Hattımız İçin Anlamı

SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model (arXiv:2610.28480, 20 Ekim 2026). Yazarlar: Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel ve Koushil Sreenath; UC Berkeley. Shao ve Long eşit katkılı, Abbeel ve Sreenath eşit danışman. arXiv kaydına göre çalışma CoRL 2026'ya sözlü sunum (oral) olarak kabul edildi.

Konu tüm vücut hareket takibi (motion tracking): robot, bir insan hareket kaydından türetilmiş referans hareketi kendi eklemleriyle, düşmeden ve dengesini koruyarak yeniden oynamayı öğreniyor. Çalışma bu alandaki iki işin üzerine kuruluyor. Takip ödülü, ilk yazar Qiayuan Liao'nun da ilk yazarı olduğu BeyondMimic'ten geliyor. Karşılaştırma noktası ise NVIDIA'nın geniş ölçekli takip politikası SONIC. Hedef robot Unitree G1; hem simülasyonda hem gerçek robotta gösterim var.

Klasik yaklaşımda politika, fizik simülatöründe milyonlarca deneme yaparak (genellikle PPO ile) öğrenir. SuperMimic araya öğrenilmiş bir dünya modeli koyuyor ve eğitimi üç adımlık bir döngüye çeviriyor:

• Topla: politika, standart bir temas simülatöründe (MuJoCo Warp) çalıştırılıyor; deneyim bir tekrar arabelleğine (replay buffer) yazılıyor.
• Uydur: tüm hareketler için tek bir dünya modeli bu veriye uyduruluyor ve her iterasyonda güncelleniyor.
• Hayal et: politika, dünya modelinin içinde 32 adımlık kısa sanal yuvarlamalar (imagined rollouts) üzerinden eğitiliyor. Dünya modeli türevlenebilir olduğu için politika gradyanı zaman içinde geri yayılımla (BPTT, analitik politika gradyanı) doğrudan hesaplanıyor.

Önemli bir ayrıntı: gradyanlar simülatörden hiç geçmiyor. Simülatör yalnız veri topluyor; türev, öğrenilmiş modelden alınıyor. Model, her politika güncellemesinin içinde sabit tutuluyor. Ufkun ötesi için bir kritik (critic) kullanılıyor; yazarlara göre kritikli 16 adım, kritiksiz 32 adımla aynı sonucu veriyor, kritik olmadan 16 adım ve altı başarısız oluyor. Bir model adımı, 50 Hz'lik bir kontrol adımına, yani dört adet 5 ms'lik MuJoCo Warp alt adımına karşılık geliyor.

Yazarların hız iddiası: H100 üzerinde dünya modeli, pratik ortam sayılarında MuJoCo Warp'tan 10 kattan fazla hızlı (2 bin ortamda 11x, 16 bin ortamda 26x, 64 bin ortamda 62x). LAFAN1'deki yürüme, koşma ve sprint hareketlerinde yapılan ablasyonda birinci dereceden gradyanların, aynı dünya modeli üzerinde PPO kullanan sürüme göre en iyi eğitim getirisine yaklaşık 64 kat daha az sanal adımla ulaştığı belirtiliyor. Dünya modelinin normalize edilmiş 8 adımlık tahmin hatası 1 saatten 264 saate kadar veriyle 0,007-0,011 aralığında kalıyor.

Değerlendirme, Bones Studio'nun BONES-SEED veri kümesinin filtrelenmiş eğitim alt kümesindeki 129.514 hareket (264,56 saat) üzerinde yapılmış. Her hareket ilk kareden bir kez oynatılıyor; ayak sürtünmesi 1,0, alan rastgeleleştirmesi (domain randomization) ve gözlem gürültüsü yok, fizik deterministik. Bir hareket, SuperMimic'in kendi eğitimindeki sonlandırma koşulunu tetiklerse başarısız sayılıyor. Makaledeki başarısız hareket sayıları:

Hesaplama tarafında yazarların karşılaştırması:

Yazarlar buradan GPU-saatte 1000 kattan fazla (yazarların hesabıyla ~7200x) ve duvar saati süresinde 50 kattan fazla (~56x) kazanç çıkarıyor. 3 saatlik süre tüm döngüyü (toplama, uydurma, politika güncellemesi) kapsıyor, checkpoint değerlendirmelerini kapsamıyor. Gerçek robot tarafında tek politikanın fiziksel G1'de hareket başına ayar yapılmadan, doğrudan simülasyondan aktarımla (zero-shot sim-to-real) çalıştığı söyleniyor; proje sayfasında yana yuvarlanma, 180 derece takla, ormanda yuvarlanma ve 28 çekimlik bir dans, yuvarlanma ve atlama derlemesi video klip olarak, makalenin 6. şeklinde ise sıçrama, yana yuvarlanma, 90 derece takla ve yerinde 360 derece takla kare dizileri olarak yer alıyor.

Rakamlar etkileyici, ama neyi ölçtüklerini doğru okumak gerekiyor.

• Donanım aynı değil. GPU-saat oranı, farklı nesil GPU'ları sayıyor. Yazarlar bunu kendileri belirtiyor: H100, L40'ın fp32 tepe hızının 0,74 katı, tensor-core tepe hızının 5,5 katı. SONIC makalesi GPU modelini adıyla belirtmiyor; L40 bilgisi SuperMimic makalesine ait. SONIC makalesinin güncel sürümü (v4) eğitimi 128 GPU x 7 gün ve yaklaşık 21.000 GPU-saat olarak veriyor.
• Veri aynı değil. SONIC 611 saatlik bir hareket kümesiyle eğitilmiş; SuperMimic kamuya açık BONES-SEED'in filtrelenmiş 264,56 saatlik kısmıyla (yazarlara göre 2,3 kat daha az veri). Değerlendirme de bu alt küme üzerinde.
• Benchmark = eğitim seti. Ölçülen hareketler iki yöntemin de eğitim verisinde var. Yazarlar bunu açıkça yazıyor: ölçülen şey kapsam (coverage), yani eğitilen hareketleri ne kadar iyi tekrar edebildiği; genelleme, yani hiç görmediği bir hareketi izleyebilmesi değil.
• Ölçüt SuperMimic'in. Başarısızlık, SuperMimic'in kendi sonlandırma koşuluyla tanımlanıyor; SONIC bu ölçütle değerlendirilmiş. SONIC için verilen 0,90 skoru ve 179 başarısız hareket SuperMimic ekibinin ölçümüdür.
• Koşullar kolay tarafta. Rastgeleleştirme yok, gözlem gürültüsü yok, fizik deterministik. Gerçek robot için ise yalnız video klipler var, hareket başına sayısal başarı oranı yok.

Bunlar sonucu geçersiz kılmıyor; aynı veri kümesinde çok daha az hesaplamayla çok yüksek kapsam, dünya modeli yaklaşımı için güçlü bir işaret. Ama "SONIC'ten 7200 kat verimli" cümlesi, aynı koşullarda aynı işi yapan iki sistemin karşılaştırması olarak okunmamalı.

Robotlar.org olarak Unitree G1 üzerinde dans gösterileri için kendi hareket takibi hattımızı işletiyoruz: videodan insan hareketi çıkarılıyor (GVHMR), G1'in 29 serbestlik dereceli iskeletine uyarlanıyor (GMR) ve BeyondMimic takip formülasyonuyla mjlab üzerinde eğitiliyor. SuperMimic de değiştirilmiş bir BeyondMimic takip ödülü kullandığı için karşılaştırma anlamlı. Aşağıdaki süreler kendi eğitim loglarımızdan; SuperMimic tarafındaki değerler makalenin bildirdiği sonuçlardır.

• Bugün her dans ayrı bir politika. Her dans için ayrı eğitim, ayrı ONNX dosyası ve deploy tarafında ayrı kayıt gerekiyor. Tek bir dansın 30.000 iterasyonluk ilk eğitimi, 12 GB'lık bir dizüstü GPU'sunda (RTX 5070 Ti Laptop) yaklaşık 10,5 ile 13 saat sürüyor; videodan gelen gürültülü referansı temizledikten sonraki ikinci tur yaklaşık 7 ile 8 saat. Süreyi dansın uzunluğu değil sabit iterasyon sayısı belirliyor: 17 saniyelik ve 81 saniyelik iki dans benzer sürede bitti.
• Olası kazanç eğitim süresi değil, dans başına sabit maliyet. İddialar doğrulanırsa tek genel politika, her dans için ayrı eğitim, ayrı ONNX yönetimi ve temizleme için ilk eğitim turu zorunluluğunu kaldırabilir. Ancak benchmark eğitim setini ölçtüğü için, videodan çıkarılan yeni bir zeybeğin ek eğitim olmadan izlenip izlenemeyeceği makalede ölçülmüyor. Muhtemel yol, yeni dansı veriye ekleyip modeli bir süre daha eğitmek; makale bu ek eğitimin maliyetini raporlamıyor.
• Asıl darboğazımız GPU değil, referans kalitesi. Videodan çıkarılan harekette ayak kayması ve zemine gömülme gibi kusurlar var. Fizik içinde koşan bir takipçi rollout'u zemine gömülmeyi temizler, ama ayak kaymasını muhtemelen tam temizlemez; daha iyi bir takipçi kayan bir referansı tek başına düzeltmeyebilir.
• Robotta onay yükü değişmez. Her dansı gerçek robotta ayrı ayrı onaylıyoruz. Robotta onaylanmamış, dışarıdan alınmış hazır bir dans politikası gerçek robotta güvenlik korumasını tetikleyip korumalı biçimde çöktü. Tek bir genel politika da hareket hareket robotta onaylanmak zorunda.
• Donanım ve entegrasyon. Dünya modeli üzerinden 16-32 adımlık geri yayılım muhtemelen aynı batch'te PPO'dan daha fazla aktivasyon belleği ister; makaleye göre H100'e sığan en uzun ufuk 128 adım. Tam ölçekli eğitimin 12 GB'lık yerel GPU'ya sığması beklenmez. Mevcut dans profilimiz hareketin ONNX içine gömülü olmasını bekliyor; genel bir takipçi için ayrı bir politika ve config tanımı ile sim-to-sim testi gerekir. Kod ve ağırlık bağlantısı bulunmadığından dünya modeli ve BPTT hattını sıfırdan kurmak bir ayar değişikliği değil, başlı başına bir araştırma projesi olur.
• Takla ve yuvarlanma. SuperMimic'in en çarpıcı farkı bu gruplarda. Repertuvarımızda takla ve yuvarlanma yok; robotun yere bilerek indiği hareketler ayrı bir donanım riski ve ayrı bir güvenlik onayı demek.

• Kod ve ağırlıklar. Proje sayfası, arXiv kaydı ve makale kod ya da ağırlık bağlantısı içermiyor.
• Web demosu tescilli. Proje sayfasındaki demo politikayı tarayıcıda çalıştırıyor, ama lisansı "tüm hakları saklıdır" diyor: yalnız kişisel ve ticari olmayan değerlendirmeye izin var; kopyalama, indirip saklama, tersine mühendislik, parametre çıkarma ve demonun çıktılarıyla başka model eğitmek yasak. Demodaki modeli bir üründe kullanmak mümkün değil.
• Makale lisansı. arXiv kaydı standart dağıtım lisansıyla (nonexclusive-distrib 1.0) yayımlanmış; Creative Commons değil.
• BONES-SEED lisansı. Eğitim verisi Bones Studio'nun BONES-SEED kümesi (142.220 hareket, yaklaşık 288 saat, 522 oyuncu). Erişim lisans kabulüyle açılıyor. Lisans hakları akademik kullanıcılara ve yıllık geliri 1 milyon doların altındaki girişimlere veriyor; diğer ticari kullanım ayrı lisans gerektiriyor. Model eğitimine izin var, ham veri yeniden dağıtılamaz, eğitilen modelde Bones Studio atfı zorunlu.
• LAFAN1. Makalede ablasyonlarda, PPO-WM karşılaştırmasında ve hız arayüzü eğitiminde kullanılan LAFAN1, CC BY-NC-ND 4.0 lisanslı. Bu veriyle eğitilmiş bir politikanın ticari kullanımı lisans açısından risklidir.
• Gerçek dünya kanıtı sınırlı. Robot sonuçları video ve kare dizileri, sayısal oran değil; değerlendirme koşulları rastgeleleştirmesiz ve gürültüsüz.
• Genelleme ölçülmedi. Eğitim setinde olmayan bir hareketin ne kadar iyi izleneceği açık soru.

Çalışan bir dans başına politika hattınız varsa bırakmayın; SuperMimic bugün denenebilir bir yazılım değil, bir sonuç raporu. Bugün G1 üzerinde genel bir takip politikası denemek isteyen ekip için yayımlanmış seçenek SONIC: NVIDIA, G1 checkpoint'lerini Hugging Face'te NVIDIA Open Model License ile, kodu Apache-2.0 ile yayımladı. Dans başına eğitim için BeyondMimic formülasyonu mjlab (Apache-2.0) içinde yaşıyor.

SuperMimic'in kodu veya ağırlıkları yayımlanırsa önerdiğimiz sıra: önce lisansları ayrı ayrı okuyun (eğitim verisi, checkpoint, kod); sonra kendi referans hareketlerinizle simde, mevcut dans başına politikalarınıza karşı sim-to-sim karşılaştırma yapın; robota ancak ondan sonra ve emniyet askısıyla geçin. Takla ve yuvarlanma gibi yere temas eden hareketler için ayrı bir güvenlik planı yapın.

Donanım tarafında G1 EDU bu araştırma akışının hedef platformu. Simülasyon ve eğitim altyapısı için RL Gym ve G1 Ar-Ge platformu sayfalarımıza, hareket aktarımı hattı için UMR hareket aktarımı sayfamıza bakın. Üniversite alımlarında BAP ve TÜBİTAK süreçleri için kurumsal alım rehberimiz var.

SuperMimic, UC Berkeley araştırmacılarının (Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel, Koushil Sreenath) bağımsız akademik çalışmasıdır; Robotlar.org'un çalışmayla veya yazarlarıyla kurumsal bir bağı yoktur. Tablolardaki değerler makalenin bildirdiği sonuçlardır. G1 hattına ilişkin eğitim süreleri Robotlar.org'un kendi eğitim kayıtlarına dayanır. Robotlar.org Unitree Robotics'in Türkiye partneridir; G1 üzerinde hareket takibi ve araştırma konfigürasyonu için bize ulaşın. Kaynaklar: proje sayfası, arXiv:2610.28480, SONIC (arXiv:2511.07820) ve BeyondMimic (arXiv:2508.08241).