BeJEPA：教師なし強化学習による目標条件付きヒューマノイド行動ワールドモデル

- ヒューマノイド制御のための目標条件付き Behavior World Model「BeJEPA」を提案する研究。 - 全身姿勢と world frame 上の位置・heading の協調を対象とする。 - human motion priors と robot interaction から unsupervised RL で学習する。 - 身体構成と world placement の共有表現を joint-embedding predictive architecture (JEPA) で獲得する。 - 実機 Unitree G1 での展開まで示す。

- 主流の root frame での trajectory imitation は、変位後の目標 world pose への復帰が苦手という課題がある。 - BeJEPA は world placement を含む共有表現を学習し、world pose 目標への到達・復帰を扱える。 - 20秒 motion-tracking 実験で global body-position error を BFM-Zero (world-pose inputs あり) 比 61.7% 削減、SONIC 比 58.7% 削減。 - 評価した全 baseline を上回ると報告。

- joint-embedding predictive architecture (JEPA) で身体構成と world placement の共有表現を学習。 - Dynamic Predictor が action 下の次状態 embedding を予測する。 - Successor Predictor が goal-conditioned policy の期待割引未来状態 embedding を単一ベクトルに要約する。 - 共同学習で Dynamic が初期表現を観測物理遷移に接地し、Successor が長期行動中心に組織化する。 - 両者の合成が1回の物理予測と1回の行動要約で policy improvement を導き、長い imagined rollout を不要にする。

- 20秒の motion-tracking 実験を実施。 - Dynamic を用いた online action refinement 付き BeJEPA が全評価 baseline を global body-position error で上回る。 - AMASS 上で BFM-Zero (world-pose inputs) 比 61.7%、SONIC 比 58.7% の誤差削減。 - Unitree G1 への physical deployment で姿勢・world position・heading 目標の同時達成、ground からの復帰、外乱・目標変更後の closed-loop return を実証。

- 長い imagined rollouts を避けつつ物理予測と行動要約の合成で policy improvement を導く点が設計上の主張。 - world pose 復帰や外乱後の closed-loop return を実機で示すが、定量的な限界や失敗条件の詳細は要旨からは不明。 - baseline 比較は motion-tracking 設定中心で、他タスクへの一般性は要旨からは不明。

- BFM-Zero (world-pose inputs を用いる比較対象)。 - SONIC (比較対象の手法)。 - joint-embedding predictive architecture (JEPA) 関連研究。 - human motion priors を用いる humanoid control 研究。 - AMASS (評価データセット)。 - Unitree G1 を用いた実機ヒューマノイド制御研究。