何が起きたか
2026年10月6日掲載のarXiv論文は、Unitree G1を対象とする家事操作ベンチマーク「BiGym 2.0」を提示した。20タスクを共通の全身コントローラーで評価し、各タスクにつき人間のVR実演60件を収録する。VLAの微調整は9タスク平均で最高となり、エージェントが生成したプログラムは同平均で実演駆動型強化学習の全ベースラインを上回った。
詳細
各手法には同じ機体搭載視点、固有受容情報、全身コントローラーを用い、オンライン強化学習と同じ相互作用予算で比較した。データには同期した複数カメラ映像と全身の実行記録が含まれる。 論文によると、エージェント生成プログラムは両手を使うリーチングでも首位だった。一方、作業空間をまたぐ積み重ねは未解決で、π_{0.5}は箱のピックで低い成績にとどまった。複数物体の搬送は模倣学習、実演駆動型強化学習、コーディングエージェントにとって難しい課題だった。環境、人間の実演、評価トレースは公開されている。
Key Facts
| BiGym 2.0はUnitree G1向けの家事操作ベンチマークで、20タスクを扱う。 | [1] |
| 各タスクに人間のVR実演60件を用意し、同期した複数カメラ映像と全身の実行記録を提供する。 | [1] |
| VLAの微調整は9タスク平均で最高となった。 | [1] |
| エージェント生成プログラムは、9タスク平均で実演駆動型強化学習の全ベースラインを上回り、両手を使うリーチングで首位となった。 | [1] |
| 環境、人間の実演、評価トレースは公開されている。 | [1] |
本紙の見方
このベンチマークの価値は、家事操作20タスクに対し、異なる方式を同じ視点情報、固有受容情報、全身コントローラーで比べる枠組みを用意した点にある。各タスク60件の人間実演と評価トレースも公開されており、手法の比較を再現するための材料がそろう。ただし、優劣は論文が示す評価条件での結果であり、すべてのタスクで一つの方式が勝つことを意味しない。VLA微調整が9タスク平均で最高である一方、エージェント生成プログラムが実演駆動型強化学習を平均で上回り、両手リーチングで首位だったという結果は、比較対象や集計単位によって順位の読み方が変わることを示す。 新規性は、模倣学習や強化学習だけでなく、オンライン強化学習と同じ相互作用予算を与えたコーディングエージェントの生成プログラムも同じベンチマークに置いた点にある。これはエージェント方式の優位を一般化する証明ではなく、限定された家事操作課題での比較結果だ。作業空間をまたぐ積み重ねが未解決で、複数物体の搬送も複数方式にとって難しいという記述は、平均スコアだけでは把握できないタスク固有の弱点を評価に残している。 本紙の関連記事ビジネス+IT、フィジカルAIの「世界モデル」を巡る識者の議論を掲載は、フィジカルAIを複数レイヤーから成る領域として扱った。BiGym 2.0が測るのは、そのうち家事操作の方策を比較する評価層であり、世界モデルの方式や構成を検証した論文ではない。全身コントローラーを共通化した比較は、方策間の差を見やすくする一方、コントローラー自体を変えた場合の成績や、別の機体への移植性はこの結果から判断できない。 環境、実演、評価記録の公開は、研究者が結果を追試し、タスク単位で失敗を調べるための共通基盤になり得る。ただし要旨には、物理ロボットでの継続運用、実環境への移行成績、各タスクの絶対スコアやばらつきは記載されていない。次に確認すべきなのは、未解決とされた積み重ねや複数物体搬送の評価条件と、同じ方策が異なる環境・機体でも再現するかである。
なぜ重要か
同一の視覚入力、固有受容情報、全身コントローラーの下で方式を比較し、実演と評価トレースも公開したため、研究者は家事操作方策の成績を共通条件で検証できる。もっとも、論文が示すのは20タスクのベンチマーク結果であり、実環境での継続稼働や別機体への適用を裏づけるものではない。