Unitree G1で台車押し制御を検証　シミュレーション学習から実機へ転移

何が起きたか

arXivは2026年11月5日、ヒューマノイドによる台車押し制御「ForPC」の論文を公開した。論文によると、シミュレーションでの比較では、歩行制御のみの基準手法に対し台車速度のRMSEを最大68.2%低減し、複数の曲がりを含む経路で横方向のRMSEを最大74.2%低減した。シミュレーションだけで学習した制御方策を実機のUnitree G1に適用し、実機での追加学習や微調整なしに、最大30 kgの荷物を載せた台車を0.5 m/sで押したとしている。

詳細

ForPCは二段階の強化学習を用いる。まず、手にかかる荷重や上半身の姿勢を変えながら歩行の基礎方策を学習する。その後、外部の力センサーを使わず、搭載された観測から力と状態に関する潜在表現を推定し、腕・腰・脚の調整とベース速度指令を組み合わせる残差方策に入力する。人間の実演データは使わず、両手間の力の拮抗、把持の滑り、アクチュエーターの飽和を抑える報酬を設定したと論文は説明している。 論文はシミュレーション間の評価と実機での検証を区別して報告している。実機では、荷物の重さに応じた個別調整をせず、最大30 kg、0.5 m/sの条件で台車を押したという。摘要には、実機での長時間運転や異なる台車・床面での試験結果は示されていない。

Key Facts

本紙の見方

この研究の中心は、台車を押す腕の力だけでなく、接触力が台車の移動とロボットの姿勢安定性を同時に左右する問題を、全身制御として扱った点にある。ForPCは外部力センサーを使わず、搭載観測から力・状態の潜在表現を推定し、腕・腰・脚の調整とベース速度指令を連携させる。したがって、論文が示す新しさは新型ハードウェアの開発ではなく、荷重や姿勢が変わる条件で接触とバランスを協調させる制御方策にある。 数値の読み方では、シミュレーション間の比較と実機結果を分ける必要がある。速度RMSEの最大68.2%低減と横方向RMSEの最大74.2%低減はシミュレーションでの歩行制御のみの基準手法との比較であり、実機で同じ改善率を確認したという意味ではない。一方、実機のUnitree G1については、シミュレーション学習のみの方策を追加学習・微調整なしで適用し、最大30 kg、0.5 m/sで押したと報告している。これはシミュレーションから実機への転移可能性を示す結果だが、摘要に記された範囲だけでは、運転の再現性や持続時間、異なる環境での性能までは判断できない。 同日掲載の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は、オープンなPhysical AIデータの活用を扱う。一方、ForPC論文が明記する学習経路はシミュレーションのみであり、両者はロボット学習に使う情報源の異なる例として読める。ただし、両者に直接の技術的連携があるとは示されていない。この対照は、台車押し制御の検証で、実データの利用量ではなく、シミュレーション条件と実機への転移結果を個別に評価する必要があることを示す。 物流や製造現場で既存の車輪付き台車を使うという論文の問題設定は、専用搬送設備への置き換えを前提としない。ただし、既存環境での運用が実証されたわけではない。次に確認すべきなのは、荷重が変化する際の安定性、台車や床面の違いへの適応、押し始め・停止時の挙動、人との共存時の安全性である。これらは摘要に評価結果がなく、30 kg・0.5 m/sという実機報告だけから実用範囲を広げて解釈することはできない。

なぜ重要か

論文の実機結果は、Unitree G1が、荷物ごとの調整や実機での追加学習なしに、最大30 kgの台車押しを行ったというものだ。既存の車輪付き台車を使うという設定に対し、現場適用の判断ではこの結果に加え、台車・床面の違いや人との共存条件での安定性を確認する必要がある。