Unitreeの実機を用いた人型ロボットの道具使用ベンチマーク「HumanoidToolBench」を公表

何が起きたか

arxiv.orgは2026-10-01、人型ロボットの道具使用を対象にした論文「HumanoidToolBench: Benchmarking Humanoid Tool Use from Selection to Mobile Execution」を公開した。論文は、Unitree G1の実機とシミュレーションで収集したデータを使い、道具の選択から移動を伴う実行までを評価する枠組みを提案している。 ベンチマークは18タスクで、3つのシナリオ、3段階の実行レベル、2種類のツールセットモードを含む。あわせて、ToolBookという3.1k件のデモンストレーションデータセットを構築した。

詳細

ToolBookの3.1k件のデモンストレーションは、シミュレーションと実機の両方で収集されたと論文は述べる。評価対象は、シミュレーション上の7つのポリシーと、実機上の3つのポリシーである。 論文は、未見の道具に対する選択精度が下がること、また無関係な指示が与えられても作業実行が継続されることを、Focused GR00T N1.7のプローブで確認したとしている。コードとデータは https://snu-pi.github.io/HumanoidToolBench/ で公開されている。

Key Facts

本紙の見方

今回の論文の新味は、人型ロボットの道具使用を「選択」と「移動を伴う実行」に分け、同じベンチマークの中で両方を測ろうとした点にある。18タスク、3つのシナリオ、3段階の実行レベル、2種類のツールセットモードという設計は、単純な把持や操作の成否ではなく、道具の選定から実行完遂までの一連の流れを切り分けている。ToolBookの3.1k件デモも、シミュレーションと実機の両方を含むことで、学習用データと評価用の作業条件を近づける意図が読み取れる。 techxplore.com、ヒューマノイド安全性を巡る議論を報じるで扱った安全性の議論は、主に人型ロボットが現実空間でどう受け止められるかという論点だったのに対し、今回の主題は「何ができるか」を測る評価基盤である。つまり、安全性の外部評価と、道具使用能力の内部評価が別の軸として並び始めた形であり、実機性能を語る際に、単発のデモではなく標準化されたベンチマークが必要になる段階に近づいているとみられる。Unitree G1を使った実機収集が入っているため、評価は合成データだけではなく、機体固有の制約を含む点も重要だ。 業界構造への含意としては、道具選択、移動、操作のどこで失敗しているのかを分解できるため、ハードウェアの可動域や把持機構だけでなく、学習データの設計やポリシーの切り分けにも影響しうる。Focused GR00T N1.7で未見の道具に対する選択精度低下が確認されたことは、学習済みモデルが道具一般化に弱い可能性を示すが、これはあくまでこの論文での観測結果である。今後は、3.1k件のデモがどの程度の多様性を持つのか、実機3ポリシーとシミュレーション7ポリシーの差がどの条件で縮むのか、そしてコードとデータ公開後に他機種で再現できるかが焦点になる。

なぜ重要か

この論文は、Unitree G1を含む実機データとシミュレーションデータを併用し、人型ロボットの道具使用を定量比較できる形にした点で、研究開発の評価軸を具体化している。道具選択と作業完遂の差が示されたことで、ロボットが「見つける」能力と「やり切る」能力を分けて検証する必要があることが明示された。

日本への影響

日本で人型ロボットの評価や学習データ整備に関わる場合、道具選択と移動を切り分けた18タスクのような設計は、実機検証の基準づくりに参考になる可能性がある。ただし、今回の内容はUnitree G1を用いた論文であり、日本企業や日本の機体への直接の適用は示されていない。