Unitree Go2でPROMOを検証　好みに応じて四脚歩行の省エネや姿勢誤差を改善

何が起きたか

arxiv.orgは2026-10-01、四脚ロボット向けの強化学習手法「PROMO」を公表した。論文は、命令追従・安定性・エネルギー効率という相反する目的の重み付けを、学習時の固定報酬ではなく実行時の入力として扱う方式を提案している。評価では、シミュレーション上の100通りの好みに対し67の挙動が厳密なパレート支配の下で非支配となり、Unitree Go2へのゼロショット移転では、基準となる均衡好みに比べて特定エネルギーが最大30.4%、位置誤差が38.7%、最大姿勢偏差が59.0%それぞれ低下した。

詳細

論文は、PROMOを「semantic multi-objective approach」と位置づけ、展開時の好みをポリシーに条件付けしつつ、機体固有の移動プリオアを固定する設計を採るとしている。これにより、運用者の意図を報酬整形項から切り分け、単一の展開可能なポリシーで目的の特化とロバスト性を両立させるとしている。 評価結果として、100個のサンプル好みを用いたシミュレーションでは平均の好み-目的相関が0.843となり、広いパレート範囲と予測可能な好み応答を示したとしている。オープンソースのコードと動画は https://amrmousa.com/promo/ で公開されている。

Key Facts

本紙の見方

PROMOの新しさは、四脚ロボットの歩容制御で、目的関数を学習時に固定するのではなく、実行時の好みとして受け渡す点にある。これは、従来の強化学習でよくある「何を優先するか」を訓練段階で埋め込む設計と異なり、同一ポリシーを前提に運用条件へ応じた振る舞いの切り替えを狙う構成である。論文が示した100通りの好みと67の非支配挙動、平均相関0.843という数字は、その狙いが単なる概念提案ではなく、パレート面の広さと応答の予測可能性として測られていることを示す。 本紙の関連記事である techxplore.com、ヒューマノイド安全性を巡る議論を報じる は、ヒューマノイドの安全性をめぐる議論を扱っていた。これに対し今回の論文は、四脚ロボットの安全性そのものを論じるのではなく、エネルギー・位置誤差・姿勢偏差の三つの性能軸を、運用時の好みとして切り替える制御インターフェースを示した点が異なる。つまり、議論の焦点は「安全に見せるか」ではなく、「何をどの程度優先するかを運用者が指定できるか」に移っているとみられる。 業界構造への含意としては、こうした手法はロボット本体の機械設計よりも、制御ソフトと学習データの持ち方に効く。単一ポリシーで複数の目的に対応できるなら、用途ごとの別モデル開発や再学習の負担を下げる可能性がある一方、実機では地面条件、荷重、バッテリー状態など論文にない条件で同じ応答が維持できるかが焦点になる。Unitree Go2でのゼロショット移転は示されたが、他機種や長期運用、異なる関節構成への一般化は本文からは読めず、そこが次の確認点である。 未確定論点としては、実機での試験時間、使用したセンサー構成、学習計算量、好み入力の表現方法、そしてゼロショット移転の再現条件が本文だけでは十分に追えない。公開コードがあるため検証可能性は高いが、実運用での頑健性は追加の実験が必要である。

なぜ重要か

Unitree Go2で最大30.4%の特定エネルギー低下、38.7%の位置誤差低下、59.0%の姿勢偏差低下が示されたことで、四脚ロボットの制御では「何を優先するか」を運用時に切り替える余地があると論文は示している。これは、固定報酬で1つの最適解を作る設計よりも、用途や環境に応じた調整を前提にした制御へ関心を移す材料になる。

日本への影響

Unitree Go2を使ったゼロショット移転が示されたことで、日本側でも四脚ロボットの実機評価では、機体そのものだけでなく学習済み制御ポリシーの持ち込みや再現性が論点になりやすい。とくに、歩行制御の学習基盤や検証環境を持つ研究機関・企業にとっては、機体差をまたぐ評価手法が重要になるとみられる。