ヒューマノイド全身追従の世界モデル比較、Koopman構造で改善せず

何が起きたか

arXivは2026年10月31日、ヒューマノイドの全身追従向け微分可能世界モデルを比較した論文を掲載した。研究では、シミュレーション上のUnitree G1を対象に、既存パイプラインのMLP世界モデルをKoopman構造のモデルに置き換えて検証した。Koopmanモデルの報酬は最大でも0.823で、MLPの0.830を下回り、学習も約15％遅かった。

詳細

同一データで測った1ステップ予測誤差は、KoopmanモデルがMLPの1.3〜1.6倍だった。状態を持ち上げた空間で線形ダイナミクスを使うロールアウトは発散するか、方策の学習に失敗した。検証した方式のうち、想像上の各ステップで状態を再び持ち上げる方式が最もよく学習したが、この方式では持ち上げ空間の線形ダイナミクスを使わず、状態に依存する切片と傾きを持つ行動アフィンモデルになる。 行動を非線形な持ち上げに入力するオンライン修正は、MLPに近い性能を示したものの、Koopman構造を手放す方式だった。論文は、方策が実際に選ぶ行動をモデルに与えると、G1、Ant、Humanoidで残る性能差の大半が解消すると報告した。

Key Facts

本紙の見方

この比較の焦点は、Koopman構造が理論上の表現として有用かどうかではなく、微分可能な世界モデルを介して方策を学習する一連の処理で、性能と計算時間の両方に利点をもたらすかにある。報酬は0.823対0.830で同等以下、予測誤差はMLPの1.3〜1.6倍、学習時間は約15％増えた。少なくとも論文の対象条件では、線形ダイナミクスを導入しても、学習に必要な精度や効率を確保できなかったという結果だ。 失敗の位置は、モデルの形式と方策の行動分布のずれにある。論文によると、方策の行動は曲がった領域に広がるため、行動に対してアフィンなモデルは方策が実際に選ぶ行動の接点では適合しても、平均行動ではG1の誤差がMLPの31倍になった。状態だけから方策の行動位置を表現する必要があることも、行動を直接読むMLPに対する制約となる。方策の行動をモデルに入力するとG1、Ant、Humanoidで差の大半が縮まり、非線形な行動持ち上げを使う修正がMLPに近づいた一方、その修正はKoopman構造を維持しない。構造を残すことと、実際の方策データに合うことの両立が論点である。 本紙のソウル大の研究チーム、歩行と物体操作を連携するAIを開発は、歩行と物体操作のデータを組み合わせるヒューマノイド向けAIを扱った。両者は、前者が複数段階の行動をつなぐデータ・方策側の課題、今回の論文が方策学習に使う世界モデルの構造・精度の課題であり、開発上の検証対象が異なる。したがって、今回の結果をヒューマノイド制御全般に一般化することはできない。 業界構造への含意は、モデルの名称や理論的性質だけで採用を判断できず、対象ロボット、方策が選ぶ行動の分布、学習時間、予測誤差を一体で評価する必要がある点にある。Unitree G1はこの研究ではシミュレーション対象であり、実機での追従性能や製品への採用を示す結果ではない。今後確認すべきなのは、異なる動作や実機条件で同じ傾向が再現するか、また論文が示した行動入力の工夫が、Koopman構造を保つ別の方法でも成立するかである。

なぜ重要か

論文の比較では、Unitree G1のシミュレーション上でKoopmanモデルの報酬がMLPを上回らず、予測誤差と学習時間も不利だった。ヒューマノイドの全身追従向けに微分可能な世界モデルを選ぶ研究者にとって、モデル構造の採用判断は、方策の行動に対する予測精度と学習コストを合わせて検証する必要があることを示す結果である。