Kimodo-Policy、全身運動を事前学習する人型ロボット制御手法を発表

何が起きたか

Kimodo-Policyの論文が2026年11月8日に公開された。人型ロボットの移動と物体操作を連携させるため、全身運動を直接の事前学習対象とする「Kinematic Action Models（KAMs）」を提案し、その初期実装としてKimodo-Policyを示した。論文によると、比較対象のあるHumanoidArenaで総合成功率72.14%、実世界の8タスクで平均成功率60%を達成した。

詳細

Kimodo-Policyは、事前学習済みのKimodoテキスト・ツー・モーション基盤を固定し、ControlNetベースの視覚条件付けを組み合わせる。root-body-handの階層構造で移動と操作を調整し、動作履歴による条件付けと、行動チャンクの反復予測によって動作生成を閉ループ制御につなぐ構成だ。 モデルの総パラメーター数は6億7800万、学習可能なパラメーター数は9200万で、総数に対する割合は約13.6%となる。論文は、大規模な移動・操作事前学習後にHumanoidArenaで比較対象中最高の総合成功率を得たと報告し、SIMPLEでは競争力のある性能、実世界では8タスク平均60%の成功率を示したとしている。アブレーション実験は、事前学習済み動作基盤の寄与を支持したという。

Key Facts

本紙の見方

総パラメーター数678Mのうち学習可能なのは92Mで、単純比では約13.6%だ。Kimodo-Policyの特徴は、視覚・言語の意味情報や視覚的な動力学の事前知識だけでなく、全身運動そのものを事前学習の中心に据えた点にある。論文は、既存の視覚言語行動モデルや世界行動モデルがロボットの運動構造を必ずしも捉えないという問題設定を置き、運動生成を行動学習の補完的な基盤として提案している。したがって新しさは、基盤モデル一般を導入したことより、移動と操作をまたぐ身体の協調を学習対象として明示した設計にある。 構成上は、固定したKimodoのテキスト・ツー・モーション基盤が動作の時間的・身体間の協調を担い、ControlNetによる視覚条件付けが観察情報を加え、root-body-hand階層が移動と手先操作を結び付ける。さらに動作履歴と反復的な行動チャンク予測を置くことで、生成された運動を実行時のフィードバックに接続する。これは単一の視覚入力から動作を出す構成ではなく、事前学習した運動表現、現場の観察、実行フィードバックを組み合わせる設計と読める。一方、要旨だけでは、各要素が実環境でどの程度寄与したかや、フィードバックの具体的な更新周期は分からない。 評価値は、ベンチマークと実世界で分けて読む必要がある。HumanoidArenaの72.14%は比較対象中の最高値とされるが、これは同ベンチマーク上の結果であり、実環境での汎用的な優位性を直接示すものではない。実世界の60%も8タスクの平均で、タスク別の成績や試行数、ばらつきが要旨には示されていない。SIMPLEについても「競争力のある性能」とする記述にとどまり、数値比較は確認できない。異なる評価環境の成績をひとまとめにせず、適用範囲を分けて検証する必要がある。 業界構造への含意は、学習資源を大規模化することだけでなく、既存の動作生成器をロボット制御へどう再利用するかにある。9200万の学習可能パラメーターという構成は、全パラメーターを更新する方式とは異なる設計だが、計算コストや学習時間の優位性は論文要旨からは判断できない。今後確認すべきなのは、タスク別の実世界成績、比較実験の条件、実行時の遅延と失敗時の挙動、異なる身体構造への移植性、接触を伴う操作の安全性だ。これらが示されて初めて、事前学習した全身運動が実機導入の負担をどこまで抑えるかを評価できる。

なぜ重要か

この手法は、Kimodoの動作生成基盤を固定し、視覚条件付けや実行フィードバックと組み合わせて移動・操作を学習する構成を示した。報告された成功率はベンチマークと8つの実世界タスクに限られるため、適用範囲を見極めるには、タスク別成績や実機での失敗時挙動の確認が必要となる。