NVIDIA、対話型モーション生成フレームワーク「ARDY」を公開 オンライン制御と長期的制約を両立

何が起きたか

NVIDIAは2026年7月9日、対話型アプリケーション向けの3D人体モーション生成フレームワーク「ARDY」を発表した。ARDYは、オンラインのテキストプロンプトと柔軟なキネマティック制約を両立するストリーミング生成フレームワークで、アニメーション、シミュレーション、ヒューマノイドロボティクスでの利用を想定する。

詳細

ARDYは、明示的なルート特徴と潜在的な身体埋め込みを組み合わせたハイブリッド表現を採用し、正確な軌道制御と効率的な生成学習を両立する。2段階の自己回帰トランスフォーマーデノイザーを備え、可変の履歴コンテキストと長期的なキネマティック制約への対応を可能にする。大規模モーションキャプチャデータセットで学習し、テキストラベルとキネマティック制約に直接条件付けされる。HumanML3Dベンチマークと大規模高忠実度のBones Rigplayデータセットで評価され、高品質なモーション生成と制約順守を実証した。インタラクティブデモでは、動的テキスト制御、多様なキーフレームポーズ制約、パス追従、マウスとキーボードによる対話的な移動制御を紹介している。

Key Facts

本紙の見方

今回のARDY発表は、NVIDIAがロボティクス向けに展開する世界モデル群（Cosmosシリーズ）と軌を一にする。2026年8月に公開されたエッジ向け世界モデル「Cosmos 3 Edge」がロボットの操作ポリシーを実時間推論するのに対し、ARDYは人体モーション生成に特化し、オンラインのテキストプロンプトと長期的なキネマティック制約を両立する点が新規性だ。従来のオフライン手法は制御性が高いが推論速度が不足し、オンライン手法はリアルタイム合成が可能だが制御性や複雑なテキスト意味理解に課題があった。ARDYはハイブリッド表現と2段階の自己回帰デノイザーにより、このトレードオフを解消しようとする。 本紙の過去報道との接続では、NVIDIAがCosmos 3 Edgeで示した「エッジでの実時間推論」という方向性が、ARDYでは「対話型モーション生成」として具体化されたとみられる。Cosmos 3 Edgeがロボットの操作ポリシーに焦点を当てるのに対し、ARDYは人体モーション生成に焦点を当てており、NVIDIAの物理AI戦略における「身体性」の範囲を広げるものだ。また、索塔无界が4D世界モデルによる「ロボットの脳」に特化するのに対し、NVIDIAは世界モデルとモーション生成の両方を提供することで、ロボティクス向け基盤技術の垂直統合を進めていると解釈できる。 業界構造への含意として、ARDYはアニメーションやシミュレーションだけでなく、ヒューマノイドロボティクスへの応用を明示的に想定している。ヒューマノイドの動作生成は、実世界データの不足が課題とされるが、ARDYは大規模モーションキャプチャデータセットで学習し、テキストとキネマティック制約に直接条件付けられるため、シミュレーション環境でのデータ生成に活用できる可能性がある。これは、実ロボットの学習データを合成する手段として、NVIDIAのOmniverseなどのシミュレーションプラットフォームと組み合わせることで、ロボット学習の効率化に寄与する可能性がある。 未確定の論点としては、ARDYの推論速度の具体的な数値（FPSなど）や、実際のヒューマノイドロボットへの適用事例が示されていない点が挙げられる。また、Bones Rigplayデータセットの規模や、ARDYが他のモーション生成手法と比較してどの程度の性能差があるのかも、論文の詳細な評価結果を確認する必要がある。さらに、ARDYがCosmosシリーズとどのように連携するのか（例えば、Cosmosの世界モデルとARDYのモーション生成を組み合わせた統合パイプラインの有無）も、今後の発表が待たれる。

なぜ重要か

ARDYは、対話型アプリケーションにおけるリアルタイムの人体モーション生成を可能にし、アニメーションやシミュレーションの制作効率を変える可能性がある。さらに、ヒューマノイドロボティクスへの応用が想定されており、NVIDIAの物理AI戦略における基盤技術の一つとして、ロボットの動作生成と学習のあり方に影響を与えるだろう。