Unitree G1、人間の動画から10種の対人スキルを獲得 ゼロショット転移に成功

何が起きたか

arxiv.orgに2026年2月2日付で掲載された論文で、HumanXというフルスタックフレームワークが発表された。HumanXは人間の動画からロボットの対人インタラクションスキルを合成・学習するもので、バスケットボール、サッカー、バドミントン、荷物運搬、対戦格闘の5領域で10種のスキルを獲得し、物理的なUnitree G1ヒューマノイドにゼロショット転移させることに成功した。

詳細

HumanXは、データ生成パイプライン「XGen」と模倣学習フレームワーク「XMimic」の2つのコンポーネントで構成される。XGenは人間の動画から多様で物理的に妥当なロボットインタラクションデータを合成し、スケーラブルなデータ拡張をサポートする。XMimicは汎化可能なインタラクションスキルを学習する統一的な模倣学習フレームワークである。実験では、外部知覚なしでのポンプフェイク・ターンアラウンド・フェードアウェイジャンプショットや、単一のビデオデモから学習した10連続サイクル以上の持続的な人間とロボットのパス交換などの複雑な操作を実現した。従来手法と比較して汎化成功率が8倍以上であると報告されている。

Key Facts

本紙の見方

今回の発表は、ヒューマノイドのスキル学習におけるデータ不足と報酬設計の手間という2つのボトルネックを同時に解消しようとする点で新規性がある。従来の模倣学習はタスクごとの報酬設計や大量の実データを必要とすることが多く、スケーラビリティに課題があった。HumanXは人間の動画をデータ源とし、タスク固有の報酬を不要にすることで、データ収集のコストを大幅に下げる可能性を示している。 本紙の過去報道では、UnitreeのIPO後、ヒューマノイド業界で「第二のUnitree」を模索する動きがあると報じた。今回のHumanXはUnitree G1を実機として使用しており、Unitreeのハードウェアが研究プラットフォームとして広く採用されていることを示す。これは、Unitreeが単なる製品メーカーではなく、エコシステムの基盤としての地位を築きつつあることを示唆する。 業界構造への含意として、このようなデータ駆動型のスキル学習フレームワークが普及すれば、ヒューマノイドの応用範囲が急速に拡大する可能性がある。特に、物流や製造現場での対人インタラクションが必要なタスクへの応用が期待される。一方で、学習データの質や安全性の検証が今後の課題となる。 未確定の論点としては、HumanXが実際の産業現場でどの程度の性能を発揮するか、また、ゼロショット転移が他のハードウェアや環境でも同様に機能するかが挙げられる。さらに、学習データのバイアスや安全性に関する議論も必要になるだろう。

なぜ重要か

ヒューマノイドのスキル学習におけるデータと報酬設計の課題を解決する可能性を示した点で重要である。これにより、ロボットの実用化が加速し、産業界での導入が進むことが期待される。