Unitree向けの人型基盤モデル研究、人間の500時間データでゼロショット転移を検証

何が起きたか

arxiv.orgで2026年10月13日に公開された論文は、Unitree G1を対象にした人型ロコマニピュレーション研究として、500時間のオープンワールド人間データセット「HumanVerse」と、全身ロコマニピュレーション向け基盤モデル「$λ_0$」を提示した。論文は、ターゲット課題のロボット実演なしで、代表的な全身操作と長距離ロコマニピュレーション課題へのゼロショット転移を検証したとしている。

詳細

論文によると、HumanVerseは、視点合わせ済みの一人称映像に身体と手の同期モーションを組み合わせた500時間のデータセットである。人間からヒューマノイドへのパイプラインでは、カメラ視点と腕の見え方を合わせ、オフラインで動作参照とコントローラ入力を調整して、エンドエフェクタ誤差を抑えつつ全身協調を保つ設計を採っている。 $λ_0$は、ロボット整列済みの人間デモを中間学習の教師として用いる。論文は、全身の人間データを増やすと下流課題の進捗が一貫して改善するとし、評価結果としてSIMPLEで90.0%、実世界のロコマニピュレーション課題全体で62.5%の成功率を示したとしている。

Key Facts

本紙の見方

この研究の新規性は、単なる模倣学習の改善ではなく、500時間のHumanVerseを使って「人間の一人称映像＋身体・手の同期モーション」から、ヒューマノイドの全身ロコマニピュレーションへ転移できるかを具体的に示した点にある。ロボット側の実演を大量に集める従来型の設計ではなく、人間データを中間学習の教師として組み込むことで、データ収集のボトルネックをどう回避するかが主題だと読める。Unitree G1へのゼロショット転移を検証したことも、研究が機上の表現学習ではなく、実機の全身操作に接続していることを示す。 工博会でABBや発那科らが「工場で働く」展示　具身知能の実用競争が前面に や 人形ロボットのサイズ分化を論じる記事を掲載 で見えていたのは、実用段階では見た目の派手さより、現場で反復可能な動作と導入条件が問われるという流れである。本件はその延長線上にあり、ロボット本体の性能競争だけでなく、学習に使う人間データの形式そのものが競争領域になっていることを示す。つまり、機体、制御、データの3要素のうち、今回はデータ整備が前面に出た形だとみられる。 構造面では、入力が一人称映像と身体・手の同期モーション、処理が視点・外観の整列とオフライン補正、出力が全身協調を伴う長距離ロコマニピュレーションという流れになっている。ここで重要なのは、誤差をエンドエフェクタだけでなく全身協調の維持で抑える設計思想であり、単腕タスクよりも広い動作空間を前提にしている点である。反面、SIMPLEの90.0%と実世界62.5%の差は残っており、次に確認すべき論点は、どの課題群で失敗が集中するのか、ロボット実演なしの前提がどこまで通用するのか、そしてUnitree G1以外の機体や別の制御系へそのまま移せるのかである。

なぜ重要か

この研究は、ロボットの実演収集に依存せずに人間データで全身操作を学習させる道筋を示しており、学習データの作り方を変える可能性がある。Unitree G1でのゼロショット転移と成功率の数値が示されたことで、研究段階から実機評価へ接続する条件が具体化した。

日本への影響

Unitree G1を評価対象に含むため、日本側では同機体を使う研究機関やシステム開発企業にとって、実演データの収集方法よりも一人称映像と身体モーションの整備が重要になる可能性がある。もっとも、論文はUnitree G1での検証に限っているため、日本の他機種への適用可否は別途確認が必要である。