HuGe、2000時間超のデータでヒューマノイド向けVLAを訓練

何が起きたか

HuGeに関する論文が2026年10月25日、arXivに掲載された。論文は、人間とロボットの一人称視点データを合わせて2000時間超用い、ヒューマノイド向けのVision-Language-Action（VLA）モデル群を事前学習する手法を示した。Unitree G1を用いた実環境のピック・アンド・ドロップ実験では、視覚的に適応させた人間の一人称視点デモをロボットのデモに加えると、成功率が大きく上昇したと報告している。

詳細

HuGeは、既存の代表的なVLAアーキテクチャ3種を用い、全身制御器に渡す潜在動作トークンと手の制御信号を予測する。学習は一人称視点での事前学習、ヒューマノイドへの適応、下流タスクの微調整の3段階で構成される。事前学習時にはシミュレーション再生で疑似固有受容状態を構築し、下流タスクの微調整では一人称視点の観測に含まれる腕の見た目を再レンダリングして調整する。 論文は、シミュレーションベンチマークHumanoidArenaでHuGeが最先端の成績を達成したと報告した。Unitree G1での実環境実験はピック・アンド・ドロップ課題を対象とするが、要旨には成功率の具体値やデータの人間・ロボット別の時間数は記されていない。

Key Facts

本紙の見方

HuGeの特徴は、ヒューマノイドの動作学習にロボット自身のデモだけでなく、人間の一人称視点の経験を組み込む設計にある。論文が扱うのはデータ量の拡大だけではない。人間とロボットで身体の見え方が異なり、前者の映像にはロボットの固有受容情報がないという転移上の隔たりに対し、シミュレーション再生による疑似状態の構築と腕の再レンダリングを学習工程に置いている。実験結果は特定課題での成功率向上であり、あらゆる動作への汎化を示すものではない。 本紙の関連記事では、2026年10月24日掲載の研究者ら、人間の活動を記録したロボット学習用データセットを作成が、人間の活動を記録した100時間分のデータセットを扱った。HuGe論文は人間とロボット双方のデータを2000時間超とするが、両者のデータが同一か、収集・利用方法に連続性があるかは示されていない。したがって、数字の差をそのままデータセットの拡張や性能差として読むことはできず、規模の定義や重複の有無を分けて見る必要がある。 産業面では、ロボット実演の収集負担を人間の視点映像で補えるかが焦点となる。成功すればロボット実機で集めるデモへの依存を一部変える可能性がある一方、映像をロボットの身体動作へ写像するための適応工程が必要であり、単純に人間の映像を学習データへ足すだけの構成ではない。HuGeが全身制御器向けの潜在動作トークンと手の制御信号を扱う点も、全身動作と手先操作をどう結びつけるかを検証する構成といえる。ただし、論文要旨からは、2000時間超の内訳、実験の成功率、比較条件、複数のタスクや環境での再現性は確認できない。今後はデータ構成と評価条件、学習した方策の安全性や実運用時の性能を確認する必要がある。

なぜ重要か

論文は、人間の一人称視点デモを視覚的に適応させ、Unitree G1のピック・アンド・ドロップ実験でロボットデモに加えた場合の成功率向上を報告した。人間の経験をロボットの学習に使うには、身体の見え方や固有受容情報の差を埋める処理が必要だという、データ転用の条件を具体的に示している。