如何快速上手ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60：从零到生成第一段动作的完整教程-育师

人工智能
媒体生成
数字人
多模态

【免费下载链接】ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60

项目地址：https://ai.gitcode.com/hf_mirrors/nvidia/ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60

ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60 是 NVIDIA 开源 ARDY 系列中用于交互式人体动作生成的扩散模型：输入一句文字提示（text prompt），配合可选的路径、关键点约束，即可实时生成自然流畅的人体动作序列，广泛用于人形机器人动作规划、游戏动画与数字孪生。本教程面向新手，带你从零理解模型、准备环境、读懂核心配置，最终生成你的第一段动作。

一、ARDY 是什么？这款动作生成模型强在哪 💡

ARDY（Autoregressive Diffusion with Hybrid Representation for Interactive Human Motion Generation）是一个为实时交互而设计的自回归扩散模型，核心亮点：

✍️在线文本提示：随时输入/修改文字描述，模型即时响应
🎯灵活的长时程运动约束：支持根轨迹/路径点（root paths/waypoints）、全身关键帧、稀疏关节位置与旋转
⚡实时响应：单次生成 60 帧（30 FPS 下约 2 秒），支持自回归连续续写，最长输出可达 8 秒

关键规格一览

项目	说明
架构类型	扩散模型（两阶段 Transformer，192M 参数：denoiser 157M + 动作 tokenizer 36M）
骨骼	30 关节 SOMA 人体模型（SOMASkeleton30）
帧率	30 FPS
生成窗口	60 帧（`gen_horizon_len: 60`）
输入	文本字符串、姿态约束 Tensor、历史姿态（最长 8 秒）
输出	姿态序列 Tensor（全局根位移 + 关节旋转，最长 8 秒）
训练数据	Bones Rigplay 1 数据集，630 小时光学动捕 + 文本描述

与其他 ARDY 变体不同，本变体输出的是 Kimodo 模型使用的平滑根（smooth-root）运动表示，可与 Kimodo 系列的约束和输出直接对比。

二、仓库结构速览：你拿到的到底是什么 📦

这个仓库是一个模型权重仓库，安装和调用代码在 ARDY 官方代码库中提供。仓库内文件各司其职：

config.yaml：核心配置文件，定义自回归生成参数、tokenizer 与 denoiser 的网络结构
denoiser.safetensors：去噪器权重（157M 参数）
tokenizer.safetensors：动作 tokenizer 权重（36M 参数）
stats/motion/：运动数据的归一化统计量（mean.npy/std.npy），细分为 body、global_root、local_root 三部分
stats/pre_quantization/ 与 stats/post_quantization/：量化前后的统计量
README.md：模型说明、输入输出规格、伦理说明
LICENSE：NVIDIA Open Model Agreement 许可协议

三、环境准备：硬件与软件要求

在动手前，确认你的环境满足以下条件：

依赖	要求
操作系统	Linux
框架	PyTorch
显卡	NVIDIA GPU（支持 Ampere / Hopper / Blackwell 架构，官方在 A100 与 RTX 4090 上验证）
可选加速	TensorRT（模型已标记`trt_compatible: true`，可编译加速）

⚠️ 该模型针对 NVIDIA GPU 优化，不建议在纯 CPU 环境运行。

四、获取模型：克隆与放置

将权重仓库克隆到本地：

git clone https://gitcode.com/hf_mirrors/nvidia/ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60

然后安装 ARDY 官方代码库（仓库 README.md 中给出了安装与使用说明入口），把克隆下来的目录作为checkpoint 目录即可——config.yaml 中所有权重路径都通过${oc.select:checkpoint_dir}指向模型所在目录，无需手动改写路径。

五、读懂 config.yaml：影响生成效果的关键参数 🔍

打开 config.yaml，这几个参数值得重点理解：

参数	取值	含义
`gen_horizon_len`	60	每次自回归生成 60 帧；30 FPS 下即 2 秒一段，可滚动续写
`num_base_steps`	10	扩散去噪步数，越大质量越好、速度越慢
`cfg_type`	separated	分类器自由引导（CFG）模式
tokenizer	FSQ 量化（128 级 × 64 层）	每 4 帧压缩为 1 个 token，latent 维度 512
denoiser	8 层 8 头 Transformer	文本嵌入维度 4096，支持`input_first_heading_angle`首帧朝向输入