ユニツリー向けの人型ロコモーション学習手法「MTC」を発表　3D障害物環境で回避率70.2%

何が起きたか

arxiv.orgは2026-09-17、人の実演から学ぶ人型ロコモーション学習枠組み「Moving Through Clutter（MTC）」を公表した。対象ロボットはUnitree G1で、密集した3次元障害物環境を通過するためのscene-aware locomotionを狙う。評価では、提案したMTC-Challengeの多障害物通過で、衝突なし通過率70.2%を示した。

詳細

MTCは、コストのかかる実環境の構築を避けるため、手続き生成したVR環境で人の動作を収集する。収集した人の動作は、scene-aware motion retargetingアルゴリズムで人型ロボットの軌道に変換され、ロボットとシーンのクリアランスを厳格に保つことで衝突回避を担保するとしている。 論文は、低い天井高の通路をくぐる、狭い隙間をすり抜けるといった全身動作を含む複雑環境での移動を訓練対象としている。評価指標としては、MTC-Challengeにおける多障害物通過で70.2%のcollision-free rateが示された。

Key Facts

本紙の見方

MTCの新しさは、単に人型ロボットを動かすことではなく、障害物が密集した3次元環境を前提に、実機の学習データそのものを作り替えた点にある。障害物のない空間でのダンスや武術のような高動的スキルは既に学習対象として成立している一方、空間制約の厳しい場面では、全身運動と周囲の幾何を同時に扱う必要があり、その前提に合わせてVR収集、軌道変換、方策学習を一本につないだ構成が特徴である。Unitree G1を対象にした点は、研究が機上のシミュレーションにとどまらず、既存の人型ハードウェアに接続していることを示す。 本紙の過去報道であるUnitreeがG1+と新基盤モデルを発表では、同社がG1+と基盤モデルUnifoLM-WLA-1.0を公表したと伝えた。そこでは感知と運動の更新が焦点だったが、今回のMTCは、その「運動」をさらに環境認識込みで詰める研究である。つまり、モデル更新とロボット更新だけでは足りず、狭隘空間での行動生成を支える学習データの作り方まで含めて積み上がっているとみられる。 業界構造の面では、ボトルネックがロボット本体の機構だけでなく、障害物環境で使える学習データと、そのデータを安全に軌道へ写像する前処理へ移っていることを示す。実環境を作らずにVRで収集する手法は、データ作成コストと反復速度に効く一方で、現実空間との乖離をどこまで埋められるかが焦点になる。70.2%という数値は、少なくとも提案条件では有効性を示すが、評価はMTC-Challengeに限られており、実運用での通過率、ハードウェア差、未知環境での再現性はなお確認が必要である。 次に確認すべき点は、Unitree G1以外の機体にどこまで移植できるか、VRで生成したデモンストレーションが実世界の雑多な床面・照明・障害物配置に耐えるか、そしてcollision-free rate以外の失敗モードが何かである。論文は「低い通路をくぐる」「狭い隙間を通る」といった行動を示すが、これがどの程度の難度の環境まで拡張できるかは、この研究だけではまだ限定的である。

なぜ重要か

VRで収集した人の実演を、ロボットと障害物の距離制約つきの軌道に変換する方式は、狭い通路や障害物密集環境での学習データ不足を補う手がかりになる。Unitree G1を対象にしているため、機体側の制御だけでなく、環境認識と動作生成を一体で扱う研究の行き先を具体的に示している。

日本への影響

日本の人型ロボット研究では、機体性能に加えて、狭隘空間や障害物環境で使える実データの作り方が論点になりうる。MTCのようにVRでデモを集めて軌道へ変換する方式は、屋内移動や作業空間の制約が強い用途を想定する場合に、学習基盤の設計条件として参考になる。