Unitree G1の学習手法でKODA、ヒューマノイドVLA学習の人間デモ活用を提案

何が起きたか

arxiv.orgは2026-10-15、KODA: Kinematics--Observation Data Alignment for Humanoid Learning from Human Egocentric Demonstrationを掲載した。論文は、Unitree G1の4つのロコマニピュレーション課題で、SONICとHEFTという2つのwhole-bodyコントローラを用いてKODAを評価した。Robot dataを固定した条件では、人間デモでカバーされるがロボットデータにはない条件のmacro-average successが、SONICで45.0ポイント、HEFTで46.25ポイント改善したとしている。

詳細

KODAは、人間の一人称RGBデモを、ヒューマノイドのwhole-body VLA学習データに変換する枠組みである。論文は、再利用可能なcanonical trajectoryを基準にしてrobot-viewの合成とcontroller-specificなwhole-body state-action supervisionの生成を行うと説明している。 手順としては、まず sparse tracker と sampling-based command optimization により simulator-checked な whole-body trajectory を生成し、その軌道から搭載カメラの姿勢を決めて対応するrobot-view observationsを合成する。その後、動作・観測・タスク指示をcanonical recordとして保持し、コントローラごとに commands を最適化して action labels と proprioceptive states を記録する。コントローラを切り替える際も、このcanonical recordを保ったまま再生成できるとしている。

Key Facts

本紙の見方

KODAの新しさは、ヒューマノイドの学習に必要な「観測」と「制御器互換の状態・行動ラベル」を、人間の一人称デモから整列させて作る点にある。単に人間映像を使うのではなく、canonical trajectoryを軸にrobot-view観測とコントローラ別の監督信号を再生成する設計になっており、既存の「まず方策を事前学習してからロボット実データで適応する」流れとは異なる。ここでは、実機データを増やす前に、どれだけ人間デモを学習資源として使えるかが中心論点である。 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DeepSeek創業者の梁文鋒、具身智能分野の起業家と接触　参入を検討かが示すように、具身知能では「参入するか」だけでなく「何を主線に置くか」が問われている。KODAはその文脈で、世界モデルや生成系の広い話題ではなく、学習データの整列という比較的地味だが実装に直結する層を押さえる。これは、研究の焦点がモデル規模そのものより、入力データの構成と再利用性に移っていることを示す材料とみられる。 産業構造の観点では、この手法はロボット本体の性能だけでなく、データ収集・合成・再ラベル付けの工程をどこまで共通化できるかに効く。canonical recordを保ってコントローラを切り替えられる設計は、同じ人間デモを複数の制御方式に流用する前提を作るため、学習パイプラインの反復コストを下げる方向に働く可能性がある。一方で、評価はUnitree G1の4課題と2種類のコントローラに限られており、他機種や異なるタスクでも同じ改善幅が出るかは未確定である。今後は、どの程度の人間デモ量で頭打ちになるのか、合成したrobot-view観測の品質が性能を左右するのか、コントローラ変更時の再現性がどこまで保たれるかが焦点になる。

なぜ重要か

KODAは、実機ロボットのデモ収集が高コストだという前提に対し、人間の一人称デモを学習データへ変換する具体的な手順を示した点に意味がある。論文の評価では、Unitree G1の4課題で、ロボットデータを固定したまま成功率の改善が示されており、データ不足を補う手段として検討対象になり得る。

日本への影響

Unitree G1を使った評価であるため、日本企業や研究機関が同系統のヒューマノイド学習を検討する場合、実機データの収集量だけでなく、人間デモの整列・合成・再ラベル付けの工程設計が重要になるとみられる。特に、制御器ごとに監督信号を再生成できる設計は、研究用途から量産前検証までのデータ運用に影響し得る。