モーションリターゲティング2026/8/4arXiv:2608.03116v1

接触を狙う：動的モーションリターゲティングのための接触暗黙的多重シューティング法

Shooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion Retargeting

動的に実現可能な全身軌道を生成するため、微分可能なシミュレータを非線形計画法に組み込み、接触や摩擦などを内部で解決する新しいリターゲティング手法を提案。強化学習の訓練を加速し、実機でのゼロショット転送も実証した。

詳しい要約

1. どんなもの？

本論文は、運動再標的化（motion retargeting）のための接触暗黙的（contact-implicit）直接シミュレーションに基づく多重 shooting（DSMS）フレームワークを提案する。運動学的に実行可能な参照軌道を、動的に実行可能な全身軌道へ変換する。差動可能シミュレータを非線形計画問題（NLP）に埋め込み、接触、摩擦、衝撃、自己衝突、関節限界を内部で解決し、接触スケジュールや明示的な接触制約を課さずに、追従、作動、タスク制約を強制する。

2. 先行研究と比べてどこがすごい？

既存の再標的化手法は、運動学的類似性を優先し、全身ダイナミクス、接触整合性、作動限界を無視することが多く、特に接触リッチな動作では強化学習（RL）ポリシーが再現するのが難しい参照を生成する。DSMSは、接触スケジュールを事前に指定せず、シミュレータ内で接触を暗黙的に解決することで、動的に実行可能な軌道を直接生成し、RL訓練を加速し、高い成功率と低い追従誤差を達成する点が優れている。

3. 技術・手法の肝は？

手法の核心は、差動可能シミュレータをNLP内に埋め込むことである。これにより、接触、摩擦、衝撃、自己衝突、関節限界を内部で解決しつつ、追従、作動、タスク制約を強制する。接触スケジュールや明示的な接触制約を課さないため、接触パターンを自動的に決定できる。

4. どうやって有効だと検証した？

有効性は、運動模倣RL訓練の加速、高い成功率と低い追従誤差、およびUnitree G1でのゼロショットsim-to-real転送（コマンド条件付き接触リッチな這行と、動的な180度ジャンプターン）によって検証された。

5. 議論はある？

要旨からは、提案手法の限界や他の手法との比較における詳細な議論は不明である。ただし、接触リッチな動作における動的実行可能性の重要性と、シミュレーションから実機への転送可能性が示唆されている。

6. 次に読むべき論文は？

要旨で参照されている既存の再標的化手法や、関連する接触暗黙的計画手法、およびRLベースの運動模倣に関する研究が挙げられる。具体的には、運動再標的化の古典的手法や、接触を考慮した軌道最適化、およびsim-to-real転送に関する研究が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sergio A. Esteban, Jason H. K. Siu, Derrick Mach, Junheng Li, Vince Kurtz, Joel W. Burdick, Aaron D. Ames

分類: cs.RO, eess.SY

原文アブストラクト

Motion retargeting approaches often prioritize kinematic similarity over whole-body dynamics, contact consistency, and actuation limits, yielding references that are difficult for reinforcement learning (RL) policies to reproduce, particularly for contact-rich behaviors. We present a contact-implicit, direct simulation-based multiple shooting (DSMS) framework that transforms kinematically feasible references into dynamically feasible whole-body trajectories. By embedding a differentiable simulator within a nonlinear program, DSMS resolves contact, friction, impacts, self-collision, and joint limits internally while enforcing tracking, actuation, and task constraints without prescribing a contact schedule or introducing explicit contact constraints. Compared with existing retargeting methods, DSMS accelerates motion-imitation RL training and yields policies with high success rates and low tracking error. We further demonstrate zero-shot sim-to-real transfer on the Unitree G1 through command-conditioned contact-rich crawling and a highly dynamic 180-degree jump-turn.

arXivで原文を読む →arXiv概要ページ

← 論文一覧