何が起きたか

arXiv掲載論文は2026年11月16日、動作実演から学習した全身制御手法「Driving the Style」を報告した。方策は、将来の参照軌道ではなく、簡潔な歩行速度指令とロボットの観測情報を入力にする。単一のランダム歩行動作で学習し、未学習の動作から作った速度指令を与えた評価では、シミュレーションで成功率98%以上を達成し、Unitree G1では全試行を完了した。

詳細

この手法では、参照動作は追跡報酬と特権情報を使う批評器の学習に利用する一方、実行時の方策(actor)には参照関節軌道を渡さない。教師方策からの蒸留も必要としない。論文は、追跡報酬を通じて動作様式が方策に反映され、速度指令の下で全身動作の様式を再現すると説明している。 比較評価では、未学習の遅い歩行に対する成功率は全身追跡手法が2%、指令条件付き蒸留が56%で、両手法は実機で失敗した。学習対象の動作では、提案手法の関節位置誤差は全身追跡手法の8%以内に収まり、敵対的モーション事前分布(AMP)より高いスタイル網羅性を示したとする。AMPは安全クレーンなしの実機評価で転倒した。

Key Facts

論文は2026年11月16日付でarXivに掲載された。[1]
提案手法は単一のランダム歩行動作で学習し、未学習動作に由来する速度指令でシミュレーション成功率98%以上を達成した。[1]
論文はUnitree G1で全試行を完了したと報告した。[1]
未学習の遅い歩行では、全身追跡手法の成功率は2%、指令条件付き蒸留は56%で、両手法は実機で失敗した。[1]
提案手法は学習対象の動作で、全身追跡手法の8%以内の関節位置誤差を示し、AMPより高いスタイル網羅性を示したと論文は報告した。[1]

本紙の見方

この研究の新しさは、動作の見本を実行時に再生するのではなく、見本から得た動作様式を方策に学習させ、速度指令とロボットの観測だけで全身動作を制御しようとする点にある。従来の全身追跡は実機での展開に信頼性がある一方、実行時に参照軌道を要し、学習データと異なる動作で失敗し得ると論文は整理する。これに対し、提案手法は追跡報酬と批評器には参照動作を使い、方策には参照関節軌道を与えず、教師方策の蒸留も行わない。したがって、参照動作の役割を学習時の評価信号に限定する設計が中核である。 ただし、結果は一様な優位を示すものではない。単一のランダム歩行で学習した方策は、未学習動作由来の速度指令に対してシミュレーションで98%以上の成功率を示し、Unitree G1では全試行を完了した一方、遅い歩行では比較対象の全身追跡が2%、指令条件付き蒸留が56%にとどまり、両者は実機で失敗した。提案手法についても、抄録には遅い歩行の成功率や全試行数が示されていない。成功率の高低を実機全般の性能差とみなすのではなく、動作条件と評価手順をそろえた比較が必要になる。 実演データの規模と種類も、制御方式と分けて見る必要がある。本紙が11月12日に掲載した速腾聚創とBitRobotが戦略協力、100時間の作業データセットを公開は、厨房や自動車整備などの作業を収録した100時間のデータセットを扱った。今回の論文は単一のランダム歩行動作での学習を述べており、作業データの収録時間を増やす方向とは異なる切り口で、動作様式の学習を検討している。ただし、両者のデータ形式や用途が直接比較されたわけではない。 産業上の含意は、動作実演をどの段階で制御に使うかにある。将来の参照軌道を実行時に用いない方式が成立すれば、軌道を逐次供給する方式とは異なる運用設計につながる可能性があるが、この論文だけで適用範囲や運用上の優位は確定しない。確認すべきなのは、実機試行の数と条件、速度指令の範囲、遅い歩行を含む未学習動作への性能、スタイル網羅性の測定方法、複数のロボットや動作への再現性である。論文抄録からは、これらの詳細や長時間運転時の安全性は確認できない。

なぜ重要か

論文は、実行時に参照関節軌道を必要とせず、速度指令とロボットの観測情報を使う制御方策を提示した。Unitree G1で全試行を完了したとの報告は実機評価の根拠になるが、試行数や条件は抄録に示されておらず、幅広い動作への適用性を判断するには追加の評価が必要だ。