HumanPlus、RGBカメラのみで人間の動作を模倣するヒューマノイドシステムを発表

何が起きたか

2024年6月15日、arxiv.orgに掲載された論文で、研究チームはヒューマノイドが人間の動作を模倣し、自律スキルを学習するためのフルスタックシステム「HumanPlus」を発表した。同システムは、RGBカメラのみで人間の全身と手の動きをリアルタイムに追従する「シャドーイング」と、収集したデータを用いた模倣学習により、複数のタスクを自律実行する。

詳細

HumanPlusは、まず既存の40時間分の人間動作データセットを用いて、シミュレーション内で強化学習により低レベルポリシーを訓練する。このポリシーは実世界に転送され、RGBカメラのみで人間の動作を追従する。次に、シャドーイングにより収集した全身データを用いて、自己中心視覚による教師あり行動クローニングでスキルポリシーを訓練する。研究チームは、33自由度・身長180cmのカスタムヒューマノイドで、靴を履いて立ち上がり歩行、倉庫ラックからの荷物の取り出し、スウェットシャツの折りたたみ、物体の並べ替え、タイピング、別のロボットへの挨拶などのタスクを、最大40回のデモンストレーションで60〜100%の成功率で達成したとしている。

Key Facts

本紙の見方

今回の発表は、ヒューマノイドロボットの学習手法において、人間のデータを直接活用するという構想を実装した点で新規性がある。従来、ヒューマノイドの制御はモデルベースや強化学習による個別タスクの学習が主流であり、人間の動作データを大規模に活用する試みは、物理的な差異やデータパイプラインの欠如により困難とされてきた。HumanPlusは、シミュレーションでの事前訓練と実世界での模倣学習を組み合わせることで、この課題を解決しようとしている。 本紙の過去報道との接続は、関連記事が存在しないため直接の比較はできないが、ヒューマノイド分野におけるデータ駆動型アプローチの進展として位置づけられる。特に、RGBカメラのみで動作模倣を実現した点は、高価なモーションキャプチャや複数センサーを必要としないため、データ収集のコストを大幅に下げる可能性がある。 業界構造への含意としては、ヒューマノイドの学習データの取得方法に変化をもたらす可能性がある。従来は実機での試行錯誤やシミュレーションに依存していたが、人間の動作データを直接利用できるようになれば、データ収集の効率が向上し、多様なタスクへの適応が加速するかもしれない。また、シャドーイングによる遠隔操作は、危険な環境や遠隔地での作業にも応用できる可能性があり、産業用ロボットの活用範囲を広げる可能性がある。 未確定の論点としては、今回の成功率が実験環境に依存する可能性が高いこと、また、40時間のデータセットがどの程度の汎化性能を持つかが不明である。さらに、実用化には、より複雑なタスクや長時間の自律動作への対応、安全性の確保などが課題となる。次に確認すべきは、このシステムが他のヒューマノイドプラットフォームに適用可能か、また、データセットの規模や多様性が性能に与える影響である。

なぜ重要か

この技術は、ヒューマノイドロボットの学習コストを大幅に削減し、人間の動作データを直接活用する道を開く可能性がある。実用化されれば、ロボットの導入障壁を下げ、様々な産業での自動化を加速させる可能性がある。