何が起きたか
arxiv.orgは2026-10-15、Unitree G1人型ロボット向けの動作生成・編集フレームワーク「TRACE」を公表した。TRACEは、自然言語の指示を受けてロボットの動きを生成し、既存の動作を参照しながら修正することを目的とする。論文は、typedで計測可能な運動学量を基盤にしている点を特徴としている。
詳細
TRACEは、生成時にペアになった訓練動作を条件に使い、編集時には現在の動作を基準に目標を定義する。言語モデルは、motion-derived supervisionからsupport、root、handの各イベントを予測し、その時間整合的な符号化を拡散生成器に組み合わせる。 また、gravity-referenced statesとtrajectory--contact objectivesによって運動学的一貫性を高めるとしている。編集では、typed requestsがbody--timeの範囲とsource-relativeな目標を定義し、参照条件付きの別の拡散エディタが修正を実行する。sampling-time projectionは保護された状態座標を維持する。評価では、比較手法よりも意味的一致と動作品質が改善したとしている。
Key Facts
| TRACEはUnitree G1 humanoid robot向けのgeneration and editing frameworkである。 | [1] |
| typed, measurable kinematic quantitiesを基盤にしている。 | [1] |
| language modelがsupport、root、hand eventsをmotion-derived supervisionから予測する。 | [1] |
| gravity-referenced statesとtrajectory--contact objectivesがkinematic consistencyの改善に使われる。 | [1] |
| quantitative evaluationとhuman assessmentで、比較手法よりsemantic alignmentとmotion qualityが改善したとしている。 | [1] |
本紙の見方
TRACEの新しさは、単に人型ロボットの動きを生成するのではなく、参照動作に対する修正までを一体化し、その制御単位をtypedで計測可能な運動学量に置いた点にある。一方で、自然言語から動作を作るという方向性自体は既定路線の延長であり、今回の焦点は“どの粒度で、どの状態を守りながら、どの修正を許すか”を形式化したところにあるとみられる。 本紙の関連記事である DeepSeek、具身知能への関与を巡り動向報道 や leaderobot.com、中美の具身智能の違いを報じる が示したように、具身知能では“研究を深める段階”と“現実の動作に落とす段階”の分岐が意識されている。TRACEはこのうち後者に寄り、support、root、handのイベントやbody--timeの範囲を明示して編集可能にしているため、動作を一回作って終わりではなく、共有された制約の下で反復修正する運用を想定している点が重要である。 業界構造への含意は、モデルの性能競争が単なる生成精度から、参照保持・修正容易性・運動学的一貫性の3点へ移っていることだ。ロボット本体の性能だけでなく、学習データの作り方、保護すべき状態座標の定義、そして複数ターンの編集評価が競争軸になる。特にUnitree G1に限定した検証である以上、他機種や実機導入環境で同じ編集制御が再現できるかは未確定であり、次に見るべきは機種横断性、学習データの範囲、編集時にどの状態がどこまで保持されるかである。
なぜ重要か
Unitree G1のような人型ロボットでは、動作を新規生成するだけでなく、既存の動きを崩さずに修正できるかが実用上の論点になる。TRACEは、参照保持と編集を前提にした枠組みを示しており、研究段階の動作生成を実機に近い反復運用へつなぐ入口になる可能性がある。
日本への影響
日本の人型ロボットや動作学習の研究では、生成精度だけでなく、参照動作を保ったまま修正できる編集機構の有無が比較軸になりそうだ。TRACEが示したsupport、root、handのようなイベント分解や、body--time範囲の定義は、動作データ整備や評価指標の設計に直接関わる。