四足歩行向け学習型CPGフレームワーク、5種類の歩容と遷移を実機検証

何が起きたか

研究チームは2026年10月27日、四足歩行向けの学習型制御フレームワーク「CPG-ENN」を発表した。歩行、トロット、ペース、バウンド、プロンクの5歩容を扱い、シミュレーションでは20通りの有向歩容遷移と、0.5、1.0、1.5、2.0 m/sの速度条件を組み合わせた評価で、遷移成功率99.39%を得た。Unitree Go2で5歩容とその遷移も検証した。

詳細

CPG-ENNは、対称性に基づく8ニューロンの中枢パターン発生器（CPG）が歩容のリズムを生成し、事前学習済みで脚間共有の実行ニューラルネットワーク（ENN）がリズム信号と軌道パラメーターから関節角の目標値を出力する構成だ。オンラインの逆運動学計算は使わず、単一のフィードバック方策が、物理的に解釈可能な6つの軌道変数を調整して平面速度とヨーレートの指令を追跡する。 歩容ごとに別の学習済み制御器を設けず、歩容遷移専用の報酬も使わない。アブレーションでは、遷移を学習時に経験しなくても歩容間の遷移可能性が高く、遷移経験は主に歩容の獲得と速度変化時の過渡応答を改善した。AllGaitsおよびWalk These Waysとの比較では、歩容と速度の制御精度を示したとしている。

Key Facts

本紙の見方

この研究の技術的な焦点は、歩容のリズム生成と関節目標の実現を、CPGとENNに分けた点にある。8ニューロンのCPGがリズムを作り、脚間共有のENNが関節角目標へ変換するため、歩容ごとの制御器を個別に学習する構成とは異なる。さらに、単一のフィードバック方策が6つの軌道変数を調整し、平面速度とヨーレートの指令に対応する。これは、歩容切り替えを別個の制御器や専用報酬に頼らず、共通の制御枠組みで扱おうとする設計である。 シミュレーションでは、20通りの有向遷移を4段階の速度条件にまたがって評価し、成功率99.39%を得た。ただし、この値はシミュレーション上の結果であり、実機で同じ成功率を確認したことを示すものではない。アブレーション結果では、遷移を学習時に経験させなくても遷移可能性が高い一方、遷移経験は歩容の獲得や速度過渡の改善に寄与した。したがって、遷移データが不要と一括して結論づけるより、遷移そのものの成立と、切り替え時の応答品質を分けて評価する必要がある。 構造上、関節角の目標値をENNが出すためオンライン逆運動学計算を使わない点も特徴となる。一方、要旨に記されたのはシミュレーション評価とUnitree Go2での5歩容・遷移の検証であり、実機での速度追従精度、遷移成功率、試験条件の詳細は示されていない。AllGaits、Walk These Waysとの比較についても、要旨は歩容と速度の制御精度を述べるにとどまり、比較条件や数値は記載していない。制御器の優位性を判断するには、これらの評価条件と定量結果が必要になる。 実装面では、事前学習済みの脚共有ネットワークが複数歩容で機能することと、Unitree Go2上で歩容と遷移が確認されたことが、シミュレーションから実機へ進むうえでの根拠となる。ただし、要旨からは学習データの構成、学習時に与えた遷移経験の範囲、ハードウェア上での試験規模や反復数、安全性の評価方法は分からない。また、対象機体がGo2以外へ広がるか、速度や地形など条件を変えたときに同じ制御構成が成り立つかも示されていない。今後は、制御精度だけでなく、実機での再現性、条件変化への頑健性、ENNの適用範囲を確認する必要がある。

なぜ重要か

CPG-ENNは5歩容を扱いながら、歩容ごとに別の学習済み制御器を設けず、遷移専用の報酬も使わない構成を示した。研究チームはUnitree Go2で歩容と遷移を検証しており、実機での適用範囲や性能を判断するには、シミュレーションの成功率とは分けた実機評価が焦点となる。