RedirectMimic、ヒューマノイド動作の一部を置き換える制御手法を提案

何が起きたか

arXivに2026年11月10日掲載の論文で、RedirectMimicが提案された。元の動作参照を制御器が受け取り続けても、指定した動きを別の動きに置き換える制御手法である。Unitree G1のシミュレーションでは、腕を頭上に上げる動作の中核区間での出現率が2.7%となり、報酬をゼロにする手法の58.9%、反追跡手法の32.8%を下回った。

詳細

手法では、制御器が観測する参照動作と、実行動作の学習に使う目標を分ける。近接方策最適化（PPO）の追跡報酬にはルールで編集した参照動作を使う一方、実運用時の観測・行動インターフェースは変更しない。評価には、7,509本の動作クリップで事前学習したトラッカーを使った。 腕を頭上に上げる課題では、対象動作の抑制、転倒しないこと、局所的な動作保持を組み合わせた中核区間の関節成功率が94.2%だった。速度で定義した課題では、速い腕の外向き動作の発生率は3種類の局所編集手法で同程度に低かった。論文は、両課題でRedirectMimicの置換誤差が比較手法中で最小であり、編集対象外の動作の追跡精度は事前学習済み制御器と同程度だったとしている。

Key Facts

本紙の見方

この手法の技術的な焦点は、制御器が受け取る元の参照動作を隠したり、実行時のインターフェースを変えたりせず、学習時の追跡目標だけを編集する点にある。動作を単純に追跡しないよう報酬を外すのではなく、編集後の参照を報酬に使い、置き換え先の動きを学習させる設計だ。したがって、論文の比較で差が大きく出た腕を頭上に上げる課題は、指定動作を避けるだけでなく、代替動作を明示して学習することの意義を示す結果と読める。 ただし、結果はUnitree G1のシミュレーションに限られる。7,509本のクリップで事前学習したトラッカーを使った評価であり、実機での動作や異なる機体、異なる学習データに同じ性能が出ることを示したものではない。中核区間の出現率2.7%は対象動作の抑制を測る指標で、単独では置換動作の品質や全身動作の安全性を表さない。論文が示す94.2%は、抑制に加えて転倒しないことと局所的な動作保持を合わせた成功率であり、指標の定義を分けて読む必要がある。 速度で定義した課題では、速い腕の外向き動作の発生率が3手法で同程度に低かった。よって、すべての編集条件でRedirectMimicが抑制率を改善したとはいえず、課題の定義によって手法間の差が異なる。両課題で置換誤差が最小だったという結果と、編集対象外の動作を事前学習済み制御器と同程度に追跡したという結果は、抑制と元動作の保持を同時に扱う設計の評価材料になるが、適用範囲を一般化する根拠にはならない。 次に確認すべきなのは、実機で同じ編集を行った際の転倒率や動作の再現性、編集対象と対象外の境界を変えた場合の成績、学習用の編集ルールが異なる動作群にも機能するかだ。論文の要旨からは、実機試験の有無や、評価対象を広げた場合の性能、運用時に編集ルールをどう設定するかは判断できない。現段階では、インターフェースを維持したまま学習目標を変える方式が、シミュレーション上の局所動作編集で比較手法と異なる成績を示した研究として位置付けるのが妥当である。

なぜ重要か

元の参照動作を制御器に見せたまま、学習目標を編集して指定動作の置換を促せるため、実行時インターフェースを変えずに局所的な動作制約を扱う方式として検討対象になる。論文の結果はUnitree G1のシミュレーションに基づくもので、実機での安全性や性能を示すものではない。