何が起きたか
arXivに2025年2月17日付で公開された論文「Learning Getting-Up Policies for Real-World Humanoid Robots」において、研究チームは実世界のヒューマノイドロボット向けの起き上がり制御を学習するフレームワークを発表した。このフレームワークを用いて、Unitree G1が仰向けとうつ伏せの2つの姿勢から、平坦面、変形可能な面、滑りやすい面、斜面（傾斜のある草地や雪原など）で起き上がることに成功した。
詳細
従来のヒューマノイドの移動への学習適用と異なり、起き上がりタスクは複雑な接触パターン（衝突形状の正確なモデリングが必要）と疎な報酬を伴う。研究チームは、カリキュラムを誘導する2段階アプローチでこれらの課題に対処した。第1段階では、滑らかさや速度・トルク制限に関する最小限の制約の下で、良い起き上がり軌道を発見することに焦点を当てる。第2段階では、発見された動作を、初期姿勢や地形の変動に対してロバストな、展開可能（滑らかで遅い）動作に洗練する。 この革新により、実世界のG1ヒューマノイドロボットが、考慮した2つの主要な状況（仰向けとうつ伏せ）から、平坦面、変形可能な面、滑りやすい面、斜面（傾斜のある草地や雪原など）で起き上がることが可能になった。これは、実世界での人型ヒューマノイドロボットの学習ベース起き上がり制御の初の成功例の一つとされる。
Key Facts
| 論文はarXivで2025年2月17日に公開された（ソース0）。 | [1] |
| 論文タイトルは「Learning Getting-Up Policies for Real-World Humanoid Robots」（ソース0）。 | [1] |
| 研究チームは、実世界のヒューマノイドロボットが様々な姿勢や地形から起き上がるための制御器を生成する学習フレームワークを開発した（ソース0）。 | [1] |
| 起き上がりタスクは複雑な接触パターン（衝突形状の正確なモデリングが必要）と疎な報酬を伴う（ソース0）。 | [1] |
| 研究チームはカリキュラムを誘導する2段階アプローチを採用した（ソース0）。 | [1] |
| 第1段階では、滑らかさや速度・トルク制限に関する最小限の制約の下で良い起き上がり軌道を発見する（ソース0）。 | [1] |
| 第2段階では、発見された動作を、初期姿勢や地形の変動にロバストな展開可能な動作に洗練する（ソース0）。 | [1] |
| 実世界のG1ヒューマノイドロボットが、仰向けとうつ伏せの2つの状況から起き上がることに成功した（ソース0）。 | [1] |
| テストは平坦面、変形可能な面、滑りやすい面、斜面（傾斜のある草地や雪原など）で行われた（ソース0）。 | [1] |
| これは実世界での人型ヒューマノイドロボットの学習ベース起き上がり制御の初の成功例の一つとされる（ソース0）。 | [1] |
なぜ重要か
自動的な転倒回復は、ヒューマノイドロボットが確実に展開されるための重要な前提条件である。手動設計の制御器では、転倒後の多様な姿勢や困難な地形に対応することが難しいため、学習ベースのアプローチが有効であることを示した。