Boston Dynamics、Atlasの模倣学習で身体構造差を補正する新手法SILEMを発表

何が起きたか

Boston Dynamicsは2021年4月15日、模倣学習における身体構造の不一致（embodiment mismatch）を補正する新手法SILEMを発表した。SILEMは学習者と専門家の骨格特徴の差を学習されたアフィン変換で補償し、シミュレーション上のAtlasを含むヒューマノイドエージェントが人間の歩行デモから歩行を学習できることを示した。

詳細

SILEM（Skeletal feature compensation for Imitation Learning with Embodiment Mismatch）は、模倣学習においてデモンストレーターと学習者の身体構造が異なる場合に、骨格特徴の差を補正する学習されたアフィン変換を導入する手法。PyBulletのHalfCheetahとAntを用いたトイドメインで評価し、Boston DynamicsのAtlasを含むシミュレーション上のヒューマノイドエージェントに人間の歩行デモを観察させて歩行を教える実験で定性的・定量的結果を示した。

Key Facts

本紙の見方

今回の発表は、Boston DynamicsがAtlasの歩行制御を強化学習から模倣学習へ拡張する試みの一端を示す。2026年7月15日の本紙報道『Boston Dynamics、量産型AtlasがFIFAワールドカップで初の公開デモ ハーフタイム演出に登場』では、同社が強化学習パイプラインで訓練したと説明していた。SILEMは模倣学習に身体構造差の補正を組み込む点で、強化学習とは異なるアプローチだが、実世界のデモから学習するという点で、量産型Atlasの実環境適応を目指す同社の戦略と連続性がある。 また、2026年8月25日の本紙報道『ボストン・ダイナミクス、Atlasの頭部をモジュール化 計算コアを交換可能に』では、頭部のモジュール化により計算コアを交換可能にし、ロボット全体を刷新せずに性能向上を図るとしていた。SILEMは計算コアの進歩に依存するアルゴリズムであり、頭部のモジュール化はSILEMのような新しい学習手法を後から組み込むための基盤となり得る。 SILEMの意義は、模倣学習の実用化における大きな障壁である身体構造差を、学習されたアフィン変換という軽量な機構で補正する点にある。従来の模倣学習は、デモンストレーターと学習者の身体が異なる場合に性能が低下することが知られているが、SILEMは骨格特徴の差を直接補正することで、この問題を回避する。これは、YouTubeなどの実世界のデモからロボットが学習するという長期的な目標に向けた一歩であり、Atlasのような複雑なヒューマノイドへの適用可能性を示す。 業界構造への含意として、SILEMはロボットの学習データの取得コストを下げる可能性がある。実世界のデモ動画を学習に利用できれば、専用のデータ収集環境を整える必要がなくなり、データ取得のハードルが下がる。これは、ロボットの知能化を進める上で重要な要素であり、競合他社にとっても無視できない技術的進展である。 一方で、SILEMはシミュレーション上の検証に留まっており、実ロボットでの有効性は未確認である。また、アフィン変換による補正が、複雑な身体構造差や動的なタスクにどこまで対応できるかは不明である。今後確認すべき点として、第一に、実機Atlasでの歩行学習の実証結果が挙げられる。第二に、SILEMが他のタスク（例えば操作や把持）にも適用可能かどうか。第三に、実世界のデモ動画（ノイズや多様性を含む）に対する頑健性である。これらの検証が進むことで、模倣学習の実用化が現実味を帯びるだろう。

なぜ重要か

SILEMは、模倣学習における身体構造差という根本的な課題に対する具体的な解決策を示した点で重要である。実世界のデモからロボットが学習できるようになれば、ロボットの知能化の速度が飛躍的に向上する可能性がある。Boston Dynamicsがこの技術をAtlasに適用することで、同社のロボットがより柔軟な学習能力を獲得するかが注目される。