Qu’est-ce que SuperMimic ?
SuperMimic est le code d'un article d'UC Berkeley, accepté en présentation orale à CoRL 2026, signé par Qiayuan Liao, Yiyang Shao, Junfeng Long, Kevin Zakka, Roberto Horowitz, Pieter Abbeel et Koushil Sreenath. Il entraîne une seule politique qui fait reproduire à un robot humanoïde des mouvements humains du corps entier, de la marche aux saltos et aux roulades latérales. Au lieu de lancer l'apprentissage par renforcement directement dans le simulateur, il ajuste un seul modèle du monde appris sur des transitions enregistrées dans MuJoCo Warp et entraîne la politique à travers ce modèle avec des gradients analytiques sur de courts déroulés imaginés de 32 pas.
Le dépôt contient des scripts Python d'entraînement et de lecture pour deux identifiants de tâche sur le Unitree G1, l'un en coordonnées généralisées, l'autre en coordonnées maximales. Il repose sur mjlab et nécessite le fork mjlab_research de HybridRobotics cloné à côté. La page du projet propose une démo dans le navigateur qui exécute la politique sur le mouvement choisi.
Le dépôt a été créé le 10 novembre 2026, est sous licence Apache 2.0 et compte environ 1 893 étoiles et 149 forks sur GitHub. Il n'a aucune version étiquetée ; le dernier commit date du 19 novembre 2026.
SuperMimic vaut-il le coup ?
L'affirmation principale porte sur le calcul, et la page du projet l'étaie avec sa propre comptabilité. Sur un banc d'essai de 129 514 mouvements, SuperMimic dépasse le retour normalisé du checkpoint publié de SONIC (0,90) après 3 heures sur un NVIDIA H100. SONIC a été entraîné 7 jours sur 128 GPU NVIDIA L40, soit environ 21 000 heures-GPU : l'écart dépasse un facteur 1000 en heures-GPU. SuperMimic a en outre utilisé moins de données : 264,56 heures de BONES-SEED, le sous-ensemble public des 611 heures de SONIC.
Les nombres d'échecs sont plus parlants. Le checkpoint de SONIC échoue sur 179 mouvements, dont les 44 saltos et les 22 roulades latérales. Après 3 heures, SuperMimic en rate 25, dont 1 salto, 2 roulades latérales et 8 mouvements pour s'allonger ou se relever ; après 9,8 heures sur deux GPU, les auteurs n'en signalent plus aucun. La page précise que les mouvements du banc d'essai sont des mouvements d'entraînement pour les deux méthodes : ces chiffres mesurent la part de la bibliothèque couverte par une politique, pas son comportement face à un mouvement inédit.
La méthode ne demande pas de simulateur différentiable. Le modèle du monde apprend d'un simulateur de contact ordinaire, se met à jour à chaque itération avec la politique, et un critique estime le retour au-delà de l'horizon imaginé de 32 pas. Selon les auteurs, une seule politique tourne en zero-shot sur un Unitree G1 réel dans chaque séquence montrée, sans réglage par mouvement. Cela repose sur des vidéos et sur l'article ; vérifiez la section consacrée au robot réel avant de réserver du temps de matériel.
Le hic : le dépôt ne sert qu'à l'entraînement. Un ticket ouvert relève l'absence de configurations pour les exécutions de l'article, de chemin de téléchargement des données et de checkpoint publié ; un autre signale que la commande d'entraînement du README échoue pour les comptes extérieurs, car les données de mouvement se trouvent dans un registre Weights & Biases inaccessible. La lecture des résultats passe aussi par W&B. Le projet a dix jours, dépend d'un fork de recherche de mjlab à 47 étoiles et impose Python 3.13.
Notre avis : pour un laboratoire d'humanoïdes, SuperMimic est le résultat à reproduire ce trimestre, car il fait passer le suivi du corps entier d'une ligne budgétaire à une seule station de travail. Pour qui veut une politique prête à charger sur un G1 demain, c'est un article à lire en attendant que le code rattrape son retard.
Là où il fait la différence
Un laboratoire universitaire d'humanoïdes doté d'un ou deux H100
Entraîner un suiveur de mouvement général pour un Unitree G1 sans louer de cluster
Clonez supermimic et mjlab_research côte à côte, préparez votre propre jeu de mouvements tant que le chemin des données n'est pas public, et entraînez la tâche SuperMimic-GenCoord-G1. L'exécution de l'article a dépassé sa référence en 3 heures sur un H100 ; prévoyez du temps pour reconstruire les configurations.
Une start-up de robotique qui compare l'entraînement par modèle du monde à PPO
Savoir si l'entraînement fondé sur un modèle réduit sa facture GPU
Lancez les deux variantes de coordonnées sur une partie de vos mouvements et comparez les heures-GPU jusqu'à un retour cible. Les auteurs annoncent environ 64 fois moins de pas imaginés que PPO sur le même modèle du monde pour atteindre le meilleur retour d'entraînement de PPO.
Avant de vous engager
- Mise en route
- Installez uv, clonez supermimic et HybridRobotics/mjlab_research dans des dossiers voisins, puis lancez le script d'entraînement avec un identifiant de tâche sur le GPU choisi. Python 3.13 est requis.
- Intégrations
- Repose sur mjlab et MuJoCo Warp ; journalise et charge les exécutions via Weights & Biases ; ne fournit que des tâches Unitree G1.
- Données et confidentialité
- Fonctionne sur vos propres machines. Les mouvements d'entraînement viennent de BONES-SEED ; l'artefact de mouvement du README se trouve dans un registre W&B que les comptes extérieurs disent ne pas pouvoir atteindre.
- Coût à grande échelle
- Code gratuit. Le coût est le temps GPU : 3 heures-GPU sur un H100 pour dépasser la référence, 19,6 heures-GPU (9,8 heures sur deux GPU) pour zéro mouvement raté dans l'article.
- Limites
- Pas de checkpoints, pas d'outil d'évaluation ni de versions étiquetées ; G1 uniquement ; la robustesse sur robot réel est montrée en vidéo et reste à vérifier dans l'article.
Les points forts
- Dépasse une référence à 128 GPU après 3 heures sur un H100
- 25 mouvements ratés sur 129 514 contre 179, et aucun après 9,8 heures sur deux GPU
- Réussit des saltos et roulades latérales que le checkpoint de SONIC rate
- Apache 2.0, avec une démo navigateur de la politique entraînée
Les points faibles
- Ni checkpoint publié ni configurations des exécutions de l'article
- Le chemin des données de mouvement du README échoue pour les comptes extérieurs
- Les mouvements du banc d'essai sont des mouvements d'entraînement : il mesure la couverture, pas la généralisation
- Dépend d'un jeune fork de recherche de mjlab et de Weights & Biases
Idéal pour
Les chercheurs en robotique équipés d'un GPU NVIDIA qui veulent reproduire ou prolonger le suivi du corps entier d'humanoïdes sans cluster de GPU.
Alternatives à SuperMimic
SuperMimic : questions fréquentes
- SuperMimic vaut-il le coup ?
- SuperMimic fait passer le suivi de mouvement humanoïde d'un travail de cluster à un après-midi sur un GPU, mais c'est aujourd'hui du code de recherche que vous devez réentraîner vous-même. Nous lui donnons 3.8 sur 5.
- Combien coûte SuperMimic ?
- Gratuit et open source sous Apache 2.0. Il vous faut votre propre GPU NVIDIA ; l'exécution phare de l'article a utilisé un H100 pendant 3 heures.
- Quels sont les inconvénients de SuperMimic ?
- Ni checkpoint publié ni configurations des exécutions de l'article; le chemin des données de mouvement du README échoue pour les comptes extérieurs; les mouvements du banc d'essai sont des mouvements d'entraînement : il mesure la couverture, pas la généralisation; dépend d'un jeune fork de recherche de mjlab et de Weights & Biases.
- À qui s’adresse SuperMimic ?
- Les chercheurs en robotique équipés d'un GPU NVIDIA qui veulent reproduire ou prolonger le suivi du corps entier d'humanoïdes sans cluster de GPU.
- Combien coûte SuperMimic pour une équipe ou en production ?
- Code gratuit. Le coût est le temps GPU : 3 heures-GPU sur un H100 pour dépasser la référence, 19,6 heures-GPU (9,8 heures sur deux GPU) pour zéro mouvement raté dans l'article.
- SuperMimic est-il sûr pour les données de l’entreprise ?
- Fonctionne sur vos propres machines. Les mouvements d'entraînement viennent de BONES-SEED ; l'artefact de mouvement du README se trouve dans un registre W&B que les comptes extérieurs disent ne pas pouvoir atteindre.
- Quelles sont les meilleures alternatives à SuperMimic ?
- Les alternatives les plus proches que nous avons testées sont Eden.
Réponses vérifiées le 20 nov. 2026.