何が起きたか

arXivに2026年11月6日掲載の論文は、STRIDEを用い、Unitree G1とBooster T1のシミュレーションで14分以内のサンプルから歩行を学習したと報告した。STRIDEは、機体の速度ではなく指令加速度への追従を報酬にする。高ゲインの関節位置制御と左右対称性のデータ拡張を組み合わせた場合、これらを使わない学習に比べて学習中の転倒が81%減ったという。

詳細

論文は、強化学習で一般的な機体速度の追跡報酬について、機体上で測るには外部のモーションキャプチャーシステム、または十分に調整された状態推定器が必要になると説明する。STRIDEでは、機体上のIMUだけを必要とする指令加速度プロファイルへの追従を報酬にし、オフポリシー強化学習アルゴリズムXQCを用いる。 14分以内という学習時間と転倒の減少は、Unitree G1およびBooster T1のシミュレーションについての報告である。論文の概要は、実機での学習結果や、実機での歩行性能を示していない。

Key Facts

STRIDEは、機体の速度ではなく指令加速度プロファイルへの追従を報酬とする。[1]
報酬に必要なのは機体上のIMUだと論文は説明している。[1]
シミュレーションでUnitree G1とBooster T1が14分以内のサンプルから歩行を学習した。[1]
高ゲインの関節位置制御と左右対称性のデータ拡張を組み合わせた場合、両要素を使わない場合に比べ、学習中の転倒が81%減った。[1]
論文は、両要素を使わない場合は学習に1時間以上かかったとしている。[1]

本紙の見方

この研究の焦点は、歩行報酬の設計を機体速度の追跡から指令加速度への追従に置き換えた点にある。論文が挙げる従来の難点は、速度を報酬に使うには外部モーションキャプチャーか調整済みの状態推定器が要ることだ。IMUを使う設計は、計測要件を機体側に寄せる一方、報酬の入力を加速度指令に限定する。したがって、外部計測を不要にすることと、歩行品質を広く評価できることは同義ではない。 規模の読み方にも注意が要る。14分以内という結果は実機の学習時間ではなく、Unitree G1とBooster T1のシミュレーションで得たサンプルに関するものだ。また転倒81%減は、高ゲイン制御と左右対称性のデータ拡張を組み合わせた設定と、両者を使わない設定との比較であり、個々の要素の寄与を分けた数字ではない。実機への適用可能性を評価するには、シミュレーションでの学習効率と実機での歩行の安定性を区別する必要がある。 学習基盤との関係では、Hugging Face、ロボット学習基盤「LeRobot v0.7.0」を公開　対話操作と大規模データ学習に対応が扱ったのは、公開データや学習機能を含む基盤側の更新である。STRIDEは、歩行を学習させる報酬とアルゴリズムの設計に焦点があり、両者は異なる層の取り組みとして読める。ただし、提供情報から両者の連携や共通データの利用は確認できない。 実用上の論点は、IMUだけを用いる報酬で、実機の歩行がどの条件まで安定するかにある。論文概要からは、実機での検証結果、地形や速度などの評価条件、学習サンプルの定義、転倒の計測条件は読み取れない。これらが示されなければ、14分や81%というシミュレーションの数値を、実機の導入コストや安全性にそのまま結び付けることはできない。

なぜ重要か

論文のシミュレーション結果は、歩行学習の報酬設計に必要な計測を、外部モーションキャプチャーや調整済み状態推定器ではなく機体上のIMUに置く方法を示す。Unitree G1とBooster T1での結果はシミュレーションに限られており、実機の計測設備や安全性に関する課題が解消したことを示すものではない。