Unitree H1・G1、強化学習の制約処理で新手法 論文発表

何が起きたか

arxiv.orgに2026年5月5日付で掲載された論文が、アクチュエータごとの速度制約を動的に扱う強化学習手法「Dynamic Decoupled Spherical Radial Squashing (DD-SRad)」を提案した。論文は、UnitreeのH1およびG1ヒューマノイドロボットを用いた高忠実度シミュレーション(IsaacLab)で、制約違反ゼロかつ未制約の上限に匹敵するタスク報酬を達成したと報告している。

詳細

論文は、物理ロボットへの強化学習ポリシー展開時に不可避なアクチュエータの速度制約(各関節が制御ステップごとに動ける速度の上限)に着目する。既存のQP射影や球面パラメータ化は等方的な球状制約を課すため、関節ごとの異質性が大きい場合に真の実行可能領域を指数的に過小評価すると指摘する。提案手法DD-SRadは、各アクチュエータに対して位置適応型の半径を独立に計算し、真の実行可能領域に密に整合させる。これにより、各ステップのハード制約を確率1で満たし、訓練中の勾配を良好に保ち、実行時のソルバーオーバーヘッドなしで厳密なポリシー勾配の逆伝播を可能にするという。MuJoCoベンチマークでは、制約違反ゼロで最高のタスク報酬を達成し、球面ベースラインと比較して制約空間のカバレッジを30%〜50%改善したとしている。

Key Facts

本紙の見方

今回の論文は、ヒューマノイドロボットへの強化学習適用における実用上の障壁であるアクチュエータの速度制約を、幾何学的に正確に扱う手法を提案した点で新規性がある。既存手法が等方的な球状制約を用いるのに対し、DD-SRadは関節ごとの異質性を反映した動的な半径を導入し、制約充足と性能の両立を図る。これは、シミュレーションから実機への展開(sim-to-real)における安全性と性能のトレードオフを改善する可能性を示す。 本紙の過去報道では、UnitreeのIPO後の業界動向や、展示会でのヒューマノイド中心の流れを報じた。今回の論文は、Unitreeのロボットが研究コミュニティで標準的な検証プラットフォームとして使われていることを示す一例であり、同社のハードウェアが学術研究に浸透している証左とみられる。特に、公式の関節仕様から直接パラメータ化するという点は、ハードウェアの詳細な情報公開が研究発展を促進する好例であり、Unitreeのオープンな姿勢が業界標準化に寄与している可能性がある。 業界構造への含意として、このような制約処理手法の進展は、ヒューマノイドの安全な実運用を後押しし、製造現場などでの導入障壁を下げる可能性がある。一方で、論文の検証はシミュレーションに限定されており、実機での検証結果は示されていない。実機での制約違反ゼロの達成は、シミュレーションと実機のギャップ(ダイナミクスの差異、通信遅延など)により困難が伴うとみられ、今後の実機実験が焦点になる。また、提案手法の計算コストや、他のロボットプラットフォームへの汎用性も未確認であり、追加の検証が待たれる。

なぜ重要か

ヒューマノイドの実用化には、安全かつ高性能な制御が不可欠であり、本手法はその基盤となる制約処理の精度を高める可能性がある。Unitreeのロボットが研究の標準プラットフォームとして使われることで、同社のエコシステムが拡大し、業界全体の技術進歩を加速させる可能性がある。