مرکزی مواد پر جائیں
اے آئی ٹیوٹوریلز

SuperMimic کے ساتھ ہیومنائڈ موشن ٹریکرز کو تربیت دیں اور دوبارہ چلائیں

یہ ٹیوٹوریل بتاتا ہے کہ mjlab_research کے ساتھ SuperMimic کیسے انسٹال کریں، کوآرڈینیٹ نمائندگی کیسے منتخب کریں، منتخب GPU پر ورلڈ ماڈل اور پالیسی کیسے تربیت دیں، اور اس کے Weights & Biases پاتھ کا استعمال کرتے ہوئے تربیت یافتہ رن کو دوبارہ کیسے چلائیں۔

تقریباً 10 منٹ کا مطالعہ
SuperMimic کے ساتھ ہیومنائڈ موشن ٹریکرز کی تربیت اور پلے بیک

SuperMimic کیا ہے؟

SuperMimic ایک تحقیقی منصوبہ ہے جو ایک ہی differentiable ورلڈ ماڈل کے ذریعے ہیومنائڈ پورے جسم کے موشن ٹریکر کو تربیت دینے کے لیے بنایا گیا ہے۔ یہ mjlab پر مبنی ہے اور دو مختلف کوآرڈینیٹ نمائندگیوں کے لیے تربیتی ٹاسک فراہم کرتا ہے۔

مزید منصوبہ جاتی معلومات SuperMimic منصوبہ صفحے اور تحقیقی مقالے میں دستیاب ہیں۔

اہم خصوصیات

  • پورے جسم کی ہیومنائڈ ٹریکنگ: یہ منصوبہ ہیومنائڈ موشن ٹریکنگ کے لیے ایک پالیسی کو تربیت دیتا ہے۔
  • Differentiable ورلڈ ماڈل: تربیت میں پالیسی کے ساتھ ایک differentiable ورلڈ ماڈل استعمال ہوتا ہے۔
  • دو ٹاسک نمائندگیاں: SuperMimic، G1 کے لیے generalized-coordinate اور maximal-coordinate ٹاسکس کو سپورٹ کرتا ہے۔
  • تربیت اور پلے بیک اسکرپٹس: تربیت شروع کرنے اور تربیت یافتہ ماڈل کو دوبارہ چلانے کے لیے الگ کمانڈز فراہم کی گئی ہیں۔
  • GPU کا انتخاب: CUDA_VISIBLE_DEVICES کے ذریعے تربیت کسی مخصوص GPU کو تفویض کی جا سکتی ہے۔

SuperMimic انسٹال کریں

1. uv انسٹال کریں

SuperMimic اپنے اسکرپٹس چلانے کے لیے uv استعمال کرتا ہے۔ اسے منصوبے کی README میں دی گئی کمانڈ سے انسٹال کریں:

curl -LsSf https://astral.sh/uv/install.sh | sh

2. ورک اسپیس بنائیں

SuperMimic اور mjlab_research ریپوزٹریز کو ہم سطح ڈائریکٹریز کے طور پر کلون کرنا ضروری ہے۔ ایک مشترکہ ورک اسپیس بنائیں، اس میں جائیں، اور دونوں ریپوزٹریز کلون کریں:

mkdir supermimic_ws && cd supermimic_ws
git clone git@github.com:HybridRobotics/supermimic.git
git clone git@github.com:HybridRobotics/mjlab_research.git
cd supermimic

نتیجے میں supermimic اور mjlab_research ایک ہی ڈائریکٹری سطح پر ہوں گے۔ باقی کمانڈز supermimic ڈائریکٹری کے اندر سے چلائیں۔

تربیتی ٹاسک منتخب کریں

SuperMimic دو ٹاسک IDs فراہم کرتا ہے:

  • SuperMimic-GenCoord-G1 generalized coordinates نمائندگی استعمال کرتا ہے۔
  • SuperMimic-MaxCoord-G1 maximal coordinates نمائندگی استعمال کرتا ہے۔

تربیتی اور پلے بیک دونوں کمانڈز میں عین ٹاسک ID استعمال کریں۔ اپنی مطلوبہ تجربہ کاری کے مطابق نمائندگی منتخب کریں۔

ورلڈ ماڈل اور پالیسی کو تربیت دیں

تربیتی اسکرپٹ ٹاسک ID اور رن کا وضاحتی نام قبول کرتا ہے۔ اسے درج ذیل ٹیمپلیٹ کے ذریعے منتخب GPU پر چلایا جا سکتا ہے:

CUDA_VISIBLE_DEVICES=<GPU_ID> uv run src/supermimic/scripts/train.py \
  <TASK_ID> --runner.run_name <description>

<GPU_ID> کو GPU انڈیکس، <TASK_ID> کو معاون ٹاسک IDs میں سے کسی ایک، اور <description> کو رن کے بامعنی نام سے تبدیل کریں۔

مثال کے طور پر، درج ذیل کمانڈ GPU 0 منتخب کرتی ہے اور generalized-coordinate ٹاسک شروع کرتی ہے:

CUDA_VISIBLE_DEVICES=0 uv run src/supermimic/scripts/train.py \
  SuperMimic-GenCoord-G1 --runner.run_name g1_generalized_coordinates

اس کے بجائے maximal-coordinate نمائندگی کے ساتھ تربیت دینے کے لیے ٹاسک ID تبدیل کریں:

CUDA_VISIBLE_DEVICES=0 uv run src/supermimic/scripts/train.py \
  SuperMimic-MaxCoord-G1 --runner.run_name g1_maximal_coordinates

تربیت یافتہ ماڈل دوبارہ چلائیں

تربیت یافتہ ماڈل کے لیے اصل ٹاسک ID اور Weights & Biases رن پاتھ کے ساتھ پلے بیک اسکرپٹ استعمال کریں:

uv run src/supermimic/scripts/play.py \
  <TASK_ID> --wandb-path <RUN_PATH>

generalized-coordinate رن کے لیے کمانڈ کی شکل یہ ہے:

uv run src/supermimic/scripts/play.py \
  SuperMimic-GenCoord-G1 --wandb-path <RUN_PATH>

<RUN_PATH> کو متعلقہ رن پاتھ سے تبدیل کریں۔ پلے بیک ٹاسک ID کو تربیت میں استعمال ہونے والی نمائندگی کے مطابق رکھیں۔

اعلیٰ سطحی ورک فلو تجاویز

ریپوزٹریز کو ہم سطح رکھیں

سیٹ اپ ہدایات میں دکھائی گئی ورک اسپیس ساخت برقرار رکھیں۔ mjlab_research کو supermimic ریپوزٹری کے اندر یا اس کے برعکس نہ رکھیں۔

وضاحتی رن نام استعمال کریں

--runner.run_name کی قدر تجربے کی واضح شناخت کرانی چاہیے۔ نام میں کوآرڈینیٹ نمائندگی شامل کرنے سے generalized-coordinate اور maximal-coordinate رنز میں فرق کرنا آسان ہو جاتا ہے۔

GPU واضح طور پر منتخب کریں

ملٹی-GPU مشین پر مطلوبہ GPU منتخب کرنے کے لیے تربیتی کمانڈ سے پہلے CUDA_VISIBLE_DEVICES سیٹ کریں۔ مثال کے طور پر، پراسیس کو GPU 1 دکھانے کے لیے CUDA_VISIBLE_DEVICES=1 استعمال کریں۔

پلے بیک کے دوران ٹاسک IDs یکساں رکھیں

ماڈل دوبارہ چلاتے وقت وہی کوآرڈینیٹ نمائندگی والا ٹاسک ID استعمال کریں جس سے اسے تربیت دی گئی تھی۔ اس طرح پلے بیک کمانڈ اصل تجربے کے مطابق رہتی ہے۔

منصوبے کے کریڈٹس اور لائسنس

SuperMimic میں ControlVAE، robotic_world_model، اور DreamerV3 سے متاثر کوڈ شامل ہے۔ ان منصوبوں کے لائسنس بالترتیب BSD-3-Clause، Apache-2.0، اور MIT ہیں۔

SuperMimic، Apache License 2.0 کے تحت جاری کیا گیا ہے۔ Copyright 2026 The SuperMimic Authors.

نتیجہ

SuperMimic ایک differentiable ورلڈ ماڈل کے ذریعے ہیومنائڈ پورے جسم کے موشن ٹریکر کی تربیت اور پلے بیک کے لیے مرکوز ورک فلو فراہم کرتا ہے۔ uv انسٹال کرنے اور مطلوبہ ہم سطح ریپوزٹریز کلون کرنے کے بعد، کوآرڈینیٹ نمائندگی منتخب کریں، مناسب GPU پر تربیت شروع کریں، اور پلے بیک کے لیے حاصل شدہ Weights & Biases رن پاتھ استعمال کریں۔