Unitree G1で人型ロボットの意図認識型VLA制御を検証　接触時の安全機構も実装

何が起きたか

arXiv.orgは2026年11月5日、人との握手やフィストバンプ、ハグを想定した意図認識型VLA制御「AffectiveVLA」の論文を掲載した。研究チームはUnitree G1に本システムを実装し、VR遠隔操作で収集した約1,300件のマルチモーダルな対話エピソードを使って4つのVLAモデルを調整した。論文は、単体モデルではGR00Tが最良で、意図認識を組み合わせるとmacro-F1が0.75から0.90に上がったとしている。

詳細

AffectiveVLAは、搭載した2台のカメラのRGB画像を使う軽量モデルで人の対話意図を認識し、その結果をVLAポリシー向けの言語プロンプトに変換する。予測の信頼度が低い場合は動作を実行しない設計で、意図認識モデルのp95推論遅延は6.27ミリ秒だった。 物理接触中は、対話の種類に応じて腕のインピーダンスを調整するコンプライアンス設定を適用する。これとは別に、音声で起動するラッチ式の安全停止機構を備える。調整したモデルはGR00T、RLDX-1、Being-H0.5、UnifoLM-VLA-0の4つである。

Key Facts

本紙の見方

本研究の核は、VLAモデルの動作生成だけで人との接触を扱うのではなく、動作の前段に意図認識を置き、信頼度が低ければ実行を抑える構成にある。接触時の腕のインピーダンス調整と、音声によるラッチ式停止も併設した。したがって評価対象は、単一の認識精度ではなく、意図判定から接触動作、停止までを含む制御経路である。論文ではGR00T単体に意図認識を組み合わせた場合のmacro-F1が0.75から0.90に上昇した一方、これは論文内の評価結果であり、家庭や公共空間での安全性や継続運用を示す実績とは区別すべきだ。 規模の読み方にも注意がいる。約1,300件はVR遠隔操作で収集した学習用エピソード数であり、ロボットの稼働時間や実環境での導入台数ではない。4モデルを比較し、単体ではGR00Tが最良だったという結果も、特定のデータと評価条件における順位として読む必要がある。意図認識モデルのp95遅延6.27ミリ秒は応答性に関する値だが、VLA全体の処理遅延や接触時の停止時間を表すとは書かれていない。 本紙の関連記事では、Agility Robotics株、初日の終値は11.49ドル　始値比2％高が年間最大10,000台の生産能力と実世界での稼働時間を扱った。今回の論文は量産や稼働実績ではなく、対人接触を制御するモデルと安全機構の評価であり、両者はロボット事業の異なる段階を示す指標だ。また、智元、ロボットの稼働量指標「Worken」を提案　leaderobot.com報道で扱われた稼働量の考え方とも直接比較できない。エピソード数、推論遅延、実作業時間は測定対象が異なるためである。 業界構造上の焦点は、対人ロボットの安全性をモデル単体の性能で評価するのか、意図認識・低信頼度時の抑制・機械的な柔軟性・独立した停止機構を組み合わせたシステムとして見るのかにある。今回の構成は後者を試すものだが、論文概要からは接触力の上限、誤認識率、停止の成功率、異なる人や環境への一般化、実運用での稼働時間は確認できない。次の評価では、これらの条件と、約1,300件のデータがどの程度多様な接触状況を含むかが、実用上の信頼性を判断する手掛かりになる。

なぜ重要か

握手など人との物理接触を扱うロボットでは、動作生成に加え、意図の確信度が低い場合に動作を抑える仕組みや、接触中の腕の柔軟性、停止手段が制御設計に関わる。論文はUnitree G1上でこれらを組み合わせ、意図認識を加えたGR00Tのmacro-F1が0.75から0.90になったと報告しているが、実環境での安全性や稼働実績を示すものではない。