UnitreeのG1で視覚反応型制御「Reflex」　箱キャッチ成功率を報告

何が起きたか

arxiv.orgは2026年10月8日、人型ロボット向けの視覚反応型全身制御フレームワーク「Reflex: Visually Grounded Reactive Humanoid Control」を掲載した。論文は、Unitree G1で人が投げた箱を受ける課題を扱い、全身制御、物体ダイナミクス推定、egocentric視覚表現の3要素を段階的に学習させる方式を示した。実機のUnitree G1では、2.5mで65%、5mで40%の成功率を報告している。

詳細

論文は、まず強化学習で状態ベースの方策を学習し、次に遅延・不完全な観測から移動する箱のダイナミクスを推定し、最後にegocentric RGB-Dエンコーダで視覚観測からその表現を直接復元する3段階構成をとる。全身コントローラは固定したまま視覚学習を進める設計であり、著者らはこの分解により各能力へ直接の学習信号を与えられ、視覚学習の拡張性が高まるとしている。 シミュレーションでは、egocentric RGB-Dを与えた場合のキャッチ成功率は85.7%で、特権的な箱観測を与えた場合の87.9%に近づいた。時間的な視覚履歴を外すと、中央投下と横ずれ投下で成功率がそれぞれ35.6ポイント、39.8ポイント低下した。

Key Facts

本紙の見方

この論文の新しさは、人型ロボットの反応制御を「見てから動く」単一の方策としてではなく、全身制御・物体ダイナミクス推定・egocentric視覚復元の3段階に分解し、しかも実機のUnitree G1で検証した点にある。既定路線の延長としては、箱を受けるという課題自体は比較的限定的で、汎用ヒューマノイドの完全な実用化を示すものではない。だが、固定した全身コントローラの上に視覚モジュールを載せる構造は、ロボット本体の運動学と知覚学習を切り分ける設計思想を明確にしている。 価格や展示の話とは異なり、ここで重要なのは搬送・受け渡し・接触回避のような短時間反応を、視覚履歴を含めてどう学習させるかである。Unitree G1を使ったことは、機体の販売力や量産力ではなく、既存プラットフォーム上で反応制御を評価できることを示す材料といえる。 業界構造への含意は、データの質がそのまま制御性能に効く点にある。論文は、特権観測では87.9%だった成功率がegocentric RGB-Dでも85.7%まで迫る一方、視覚履歴を消すと35.6ポイント、39.8ポイント落ちると示した。つまり、単発画像よりも時系列視覚と身体運動を結びつけた学習が焦点になる。今後は、箱以外の物体、速度、投げ方、距離の違いに対して同じ分解が通用するか、また実機での成功率をどこまで安定して再現できるかが確認点になる。さらに、Unitree G1以外の機体でも同じ表現が移植可能かどうかが論点だとみられる。

なぜ重要か

Unitree G1で2.5mと5mの実機成功率を示したことで、視覚入力を伴う反応制御が機上のシミュレーションにとどまらないことを示した。とくに、視覚履歴の有無で成功率が大きく変わる結果は、ロボットの知覚設計では単発の画像認識より時系列データの扱いが重要だと示唆する。

日本への影響

日本の人型ロボット開発では、機体性能だけでなく、egocentric RGB-Dと時系列データを使った反応制御の学習設計が競争軸になる可能性がある。製造現場や物流現場での受け渡し、搬送物の突発的な動きへの対応を想定する場合、箱キャッチのような短時間反応をどう実機で再現するかが課題になる。