何が起きたか
arXiv に掲載された研究(2025年5月9日付)は、ロボット locomotion を対象に、訓練に用いる身体性(embodiment)の数を増やすほど未見の身体性への汎化が向上するという『身体性スケーリング則』を検証した。研究チームはトポロジー・幾何・関節レベルの運動学的バリエーションを持つ約1,000の身体性を手続き的に生成し、ランダムな部分集合でポリシーを訓練。最良のポリシーは全データセットで訓練され、シミュレーションと実世界の両方で Unitree Go2 と H1 を含む新規の身体性にゼロショット転送に成功した。
詳細
本研究は、任意のロボット向け汎用身体性エージェント構築の基盤となるクロス身体性汎化の要因を探るもの。従来のデータスケーリング(固定身体性でのデータ量増加)よりも、身体性スケーリング(身体性の多様性増加)の方が汎化に大きく寄与するという正のスケーリング傾向が観察された。 実験では、約1,000の身体性を手続き生成し、そのランダム部分集合で訓練したポリシーの性能を評価。結果は身体性スケーリング仮説を支持し、固定身体性でのデータスケーリングよりも広い汎化をもたらすことが分かった。最良のポリシーは、シミュレーションと実世界の両方で、訓練時に見たことのない身体性(Unitree Go2 と H1 を含む)へゼロショット転送できた。 研究チームは、この成果が構成可能ロボットの適応制御や形態共設計などへの応用可能性を持つとし、汎用身体性知能への一歩と位置付けている。
Key Facts
| 研究は arXiv に 2025年5月9日付で掲載された(論文ID: 2505.05753v2)。 | [1] |
| 研究はロボット locomotion をテストベッドとして身体性スケーリング則を検証した。 | [1] |
| 約1,000の身体性をトポロジー・幾何・関節レベルの運動学的バリエーションで手続き生成した。 | [1] |
| ポリシーはランダムな部分集合で訓練され、正のスケーリング傾向が観察された。 | [1] |
| 身体性スケーリングは固定身体性でのデータスケーリングよりも広い汎化をもたらすとされた。 | [1] |
| 最良のポリシーは全データセットで訓練され、シミュレーションと実世界で新規身体性にゼロショット転送した。 | [1] |
| ゼロショット転送の対象には Unitree Go2 と H1 が含まれる。 | [1] |
| 研究は汎用身体性知能への一歩とされ、構成可能ロボットの適応制御や形態共設計への関連が示された。 | [1] |
なぜ重要か
この研究は、ロボットの身体性の多様性が汎化性能に与える影響を体系的に示した点で重要。Unitree Go2 や H1 といった実機でのゼロショット転送成功は、シミュレーションから実世界への適応可能性を示唆し、汎用ロボット制御の実用化に向けた一歩となる。