何が起きたか
2026年11月16日掲載の論文「XMimic and XSoma: Learning Humanoid Motion Tracking and Locomotion in Under a Minute」は、ヒューマノイドの動作追跡と不整地歩行を1分未満で学習する手法を提示した。XMimicは4基のH100 GPUを使い、Unitree G1でLAFAN1の40クリップを0.86分で追跡した。XSomaはHolosomaのテストでFastSACに設定された追跡目標に0.77分で到達し、FastSACの8分の1の環境ステップ数を使った。
詳細
両手法は、ロボットの世界モデルを学習し、そのモデル内で想像した短いロールアウトを通じて解析的勾配で方策を最適化するSuperMimicを基礎とする。従来実装では小さなGPU演算が逐次実行されていたのに対し、XMimicとXSomaは各学習反復の処理を短縮し、最大4基のGPUで並列実行する。MuJoCo Warpシミュレーターを含む学習ループ全体をJAXでコンパイルした。 XSomaは歩行学習で、世界モデルにロボットのダイナミクスのみを担わせ、足元の地形高など他の要素は厳密に計算する。学習ホライズンは1秒で、criticを使わない。
Key Facts
| XMimicとXSomaは、SuperMimicを基礎にしたヒューマノイド動作追跡・歩行学習手法として提示された。 | [1] |
| XMimicは4基のH100 GPUで、Unitree G1によるLAFAN1の全40クリップの追跡を0.86分で学習し、BlinkMimicを1 GPUで動かした場合より3.7倍速かった。 | [1] |
| XSomaはFastSACのテストで設定された追跡目標に0.77分で到達し、FastSACの8分の1の環境ステップ数を要した。 | [1] |
| XSomaは学習ホライズンを1秒とし、criticを使わず、ロボットのダイナミクス以外を厳密に計算する方式を採る。 | [1] |
| 学習ループ全体をJAXでコンパイルし、MuJoCo Warpシミュレーターも含めた。 | [1] |
本紙の見方
この論文の主眼は、ロボットの動作学習そのものを新しいハードウェアで速く実行することではなく、学習反復に含まれる逐次的なGPU処理を組み替え、学習時間を短縮する点にある。XMimicの0.86分という値は、Unitree G1でLAFAN1の40クリップを追跡する学習について、4基のH100 GPUを使った条件で示されたものだ。ロボットの実機動作時間や、別の機体・タスクでの性能を示す数値ではない。 新規性の読みどころは、SuperMimicの世界モデルと解析的勾配を使う枠組みを保ちながら、反復内の処理を最大4 GPUで並行させ、MuJoCo Warpを含むループ全体をJAXでコンパイルした点にある。したがって、報告された短時間化はアルゴリズム単体の比較ではなく、学習方式と実行基盤の組み合わせとして捉える必要がある。XMimicとXSomaの結果も、比較対象や評価課題が異なるため、0.86分と0.77分をそのまま手法間の優劣として比べることはできない。 本紙が扱った世界モデルと日本の勝ち筋を巡る議論は、フィジカルAIを複数レイヤーから成る領域として紹介していた。今回の論文はその議論全体を裏付けるものではないが、ロボットの世界モデルを使う学習で、モデルの構成だけでなくシミュレーターやコンパイル、GPU並列化が学習時間を左右する具体例と位置づけられる。とくにXSomaは、世界モデルにロボットのダイナミクスを担わせ、足元の地形高などを厳密計算に分けている。すべてを同じモデルに任せる構成ではない点が技術上の特徴だ。 産業面では、短時間で学習できることが示されても、実機への転移、異なる地形や動作への汎化、長時間運用時の安全性が確認されたことにはならない。比較値の解釈にも、各手法のGPU構成や評価設定をそろえた検証が必要となる。次に確認すべきなのは、シミュレーションでの学習結果が実機でどの範囲まで再現されるか、また追加の学習や環境変更で所要時間・ステップ数がどう変わるかである。
なぜ重要か
論文の評価では、XMimicがUnitree G1の40クリップ追跡を0.86分で学習し、XSomaがFastSACの目標に0.77分で到達した。学習時間と環境ステップ数を示した点は、ロボット学習手法を比較する際の具体的な評価材料となるが、実機での動作性能や別条件への適用を示すものではない。
