MOTIO、動画などからヒューマノイドの移動・操作スキルを生成する手法を発表

何が起きたか

arXivに2026-10-24掲載された論文で、MOTIOは人の動作動画、現実に基づく3D資産、動作参照、再利用可能なロボットスキルから、ヒューマノイドの移動・操作プログラムを構成するシステムとして紹介された。論文は、スキャンしたオフィスでの物理G1による101.75秒の連続実行と、ねじ締め時のねじ山残差を76.0％低減した結果を報告した。タスク別の遠隔操作やロボット実演データの収集を使わずにスキルを構築・改善する設計だとしている。

詳細

MOTIOでは、エージェントがタスクと接触を文脈内で推論し、段階的なロボット向け動作を組み立てる。物理実行、複数フレームのフィードバック、人による検証を使って改善する。動作の実行には、既存の全身制御、逆運動学、器用な手のインターフェースを用いる。 論文によると、時刻記録のある初回承認33件で、エージェントの1ターン当たり記録時間の中央値は97.0分、依頼から承認までの時間は2.80時間だった。シミュレーション上で配置や物体に変化を加えたうえで、ボトル廃棄スキルを物理環境で実行した。また、生成スキルをBC/DAggerによる蒸留の教師信号に用い、共通の参照ポリシーで、推論時に専門家の介入を加えずシミュレーション18タスクを完了した。

Key Facts

本紙の見方

MOTIOの焦点は、ロボットの制御器そのものを新設することより、人の動作動画や3D資産を、接触を含む段階的なロボット動作へ変換し、既存の全身制御・逆運動学・手のインターフェースで実行する工程にある。入力を実行可能なスキルにするエージェント部分と、既存の動作インターフェースを使う部分を分けている点が構成上の特徴だ。タスク別の遠隔操作やロボット実演データ収集を用いないという設計も、スキル作成の入口を人手によるロボット操作から動画・資産・再利用可能なスキルへ移そうとするものと読める。 報告された数値は、異なる段階の性能を示している。初回承認33件の中央値97.0分と依頼から承認までの2.80時間は、承認に至る作業時間と依頼全体の所要時間を分けて捉える指標であり、スキルの成功率や大量作成能力を直接示すものではない。一方、スキャンしたオフィスでの101.75秒の連続した物理実行は、シミュレーション内の単発動作とは異なる実環境での評価例である。ねじ締め時のねじ山残差76.0％低減も、物理実行からの改善を測る個別指標として、長時間実行の結果とは分けて読む必要がある。 さらに、生成スキルをBC/DAggerの教師信号に使い、共通ポリシーでシミュレーション18タスクを完了した構成は、個々のスキルを作る工程と、それらをポリシーへ蒸留する工程を接続している。ただし、これはシミュレーション上の結果であり、同じポリシーが物理環境でも18タスクを実行したという報告ではない。スキル生成から物理実行、フィードバックによる修正、ポリシー蒸留へとつなぐ設計が示される一方、各工程がどの条件で成立するかは別々に検証する必要がある。 次に確認すべきなのは、33件の承認の対象タスクや成功・失敗の内訳、物理実行の反復数、物体や環境が変わった場合の再現性、人による検証に要した作業量だ。要旨には、18タスクの内容や共通ポリシーの実行条件、物理G1での安全性評価の詳細も示されていない。これらが明らかにならなければ、個別の実演結果から適用範囲や運用負荷を判断することはできない。

なぜ重要か

MOTIOの設計では、人の動作動画や3D資産から作ったスキルを物理実行と人の検証で改善し、さらに模倣学習の教師信号に用いる流れが示されている。ロボットの実演データ収集に頼らないスキル作成を掲げる一方、報告された18タスクの完了はシミュレーション上の結果であり、物理環境での適用範囲と検証負荷が実用性を判断する条件となる。