適応的動作計画と追従による人型ロボットのプロテニススタイル実現

本論文は、ヒューマノイドロボットにプロ級のテニス動作（サーブとラリー）を学習させるためのフレームワークAdaPT（Adaptive Motion Planning and Tracking）を提案している。放送映像から直接プロのテニス動作スタイルを学習し、階層的な設計（プランナーがスタイリッシュな運動学的動作を生成し、トラッカーがそれを実行）により、タスク性能を維持しつつプロの動作スタイルを実現する。さらに、シミュレーションから実機への転用（sim-to-real）ギャップを埋めるための適応メカニズムを導入し、実機実験（Unitree G1、Dobot Atom）で有効性を示している。

先行研究では、ヒューマノイドのボールスポーツにおいてタスク性能（例：ボールを打ち返す成功率）が重視され、動作スタイルの質は軽視される傾向があった。また、シミュレーションで学習したポリシーを実機に適用する際の性能劣化（sim-to-real gap）への対処が不十分だった。本提案は、放送映像からプロの動作スタイルを直接学習する点、およびプランナーとトラッカーの階層設計に加えて、実行速度のランダム化とモーションスピードアダプタによる適応メカニズムでsim-to-real gapを明示的に扱う点が新しい。

手法の核は、階層的なプランニングとトラッキングの分離、および適応メカニズムである。プランナーは放送映像から学習したスタイリッシュな運動学的動作（キネマティクス）を生成し、トラッカーはそれを実行する。sim-to-real gapに対処するため、トラッカーはランダム化された実行速度で学習され、ロバスト性を向上させる。また、プランナーは学習されたモーションスピードアダプタに条件付けられ、自己回帰プランニングによる誤差の蓄積を軽減する。

シミュレーションでの有効性に加え、実機実験を実施。Unitree G1で適応メカニズムがsim-to-real gapを埋める効果を検証し、フルサイズのDobot Atom（身長1.7m）でモーションキャプチャなしの実環境サーブを実演した。具体的な評価指標（成功率、動作スタイルの類似度など）は要旨からは不明。

要旨からは、実機実験を通じて将来のヒューマノイドボールスポーツシステムに関するアルゴリズム的・工学的洞察が得られたと述べられているが、具体的な議論の内容（限界、倫理、社会的影響など）は不明。また、提案手法の汎用性（テニス以外のスポーツへの適用）や、放送映像の品質への依存性などについての議論は要旨に含まれていない。

要旨で参照されている関連研究は明示されていないが、ヒューマノイドのボールスポーツ、模倣学習、sim-to-real転移の分野の定番論文が該当する。具体的には、ヒューマノイドのサッカーやバスケットボールの研究、模倣学習（Behavior Cloning, Adversarial Motion Priors）、sim-to-real転移（Domain Randomization, System Identification）に関する論文が挙げられる。