何が起きたか

arXiv掲載論文は2026年11月13日、Unitree G1を使った物理ベースの荷物受け渡し実験で、未知の相手との成功率を高める手法を報告した。交互にPPOで自己対戦学習した受け手は、学習時の相手とは成功率95%、90%だった一方、未経験のスクリプト型相手とは31%だった。学習相手の開始を隠れて遅らせる手法を追加し、300回の更新を行うと、未知の相手との成功率は両方の学習シードで80%になった。

詳細

論文は、共有報酬の下で学習相手が常にすぐに物を差し出すため、受け手が単一の受け渡しタイミングを学んでしまうと分析した。実際、学習相手の開始を1秒遅らせると、成功率は一方のシードで95%から6%、もう一方で87%から34%に低下した。 提案手法は、学習相手の開始時刻にランダムな遅れを加え、その遅れを受け手には知らせない「hidden start-delay randomisation(HSD)」である。300回の追加更新後、未知の相手に対する成功率は、更新量をそろえた対照条件の35〜41%を上回った。改善は新しいシナリオのシードと、学習時に含まれない11の相手条件でも確認され、学習時の遅延範囲を超えて遅く開始する相手にも適用された。高い力がかかる接触は3〜5分の1になり、相手側の再学習は不要だったという。

Key Facts

物理ベースの荷物受け渡し実験では、Unitree G1と学習した差し出し役を用い、双方を交互にPPOで自己対戦学習させた。[1]
受け手の成功率は学習相手に対して2つの学習シードで95%、90%だったが、未知のスクリプト型相手には31%だった。[1]
HSDを用いて300回追加更新した後、未知のスクリプト型相手に対する成功率は両シードで80%となった。対照条件は35〜41%だった。[1]
改善は11の未学習相手条件などで確認され、高い力がかかる接触を3〜5分の1に減らしたと報告された。[1]

本紙の見方

この結果の軸は、自己対戦で受け渡しを滑らかにできるかではなく、学習時と異なるタイミングで動く相手にも受け手が対応できるかにある。学習相手に対する成功率が95%、90%でも、未知のスクリプト型相手では31%に落ちた。成績の差は、協調動作の習得と、相手の振る舞いの変動への頑健性が別の評価対象であることを示す。HSDは相手の開始を受け手に知らせず、学習相手側に遅れを加える設計であり、相手を固定した練習では生じにくいタイミングのずれを学習条件に含めた点が新しい。一方、PPOによる交互の自己対戦という枠組み自体を置き換える手法ではない。 本紙の関連記事では、実作業データの公開例として速腾聚創とBitRobotが戦略協力、100時間の作業データセットを公開を扱った。同記事の100時間のデータセットは厨房や自動車整備などの実作業を収録するものとされる。今回の研究は、人のデータを使わずに自己対戦で受け渡し方策を学ぶと説明しており、実作業の記録から学ぶ方法とは異なる学習経路を示す。ただし、両者の優劣や相互利用を示す比較実験ではない。データを集める方式と、相手の変動を訓練中に作る方式を区別して評価する必要がある。 産業上の含意は、受け渡しロボットの評価で、訓練相手との成功率だけを指標にすると未知の相手への弱さを見落とし得ることだ。1秒の開始遅延で成功率が95%から6%へ下がった例は、タイミングの小さな違いが結果を大きく左右し得ることを示す。HSD後には未学習の11条件や、学習時より遅い開始にも改善が及んだとされるが、これらは論文が扱ったシミュレーション条件での結果であり、実機や人との作業にそのまま当てはまるとは限らない。次に確認すべきなのは、実機での再現性、相手の遅延以外の変動への対応、接触力の評価条件、実際の人との受け渡しでの安全性である。要旨には、実機試験の有無や接触力の絶対値、HSDで用いた遅延分布の詳細は示されていない。

なぜ重要か

この実験では、学習相手に対する高い成功率だけでは未知の相手への対応力を保証できず、相手の開始が1秒遅れる条件では成功率が大きく低下した。研究が示したHSDは、相手の開始時刻を隠して変化させることで、未知の相手との受け渡し成功率を80%に高めたと報告されており、協調ロボットの評価・訓練で相手のタイミング変動をどう扱うかに関係する。