単一の微分可能ワールドモデルでヒューマノイド全身制御をスケールさせる手法

- 大規模な human-motion dataset を追従させる humanoid whole-body control のための学習手法 - 1つの differentiable world model を全モーションで共有し、学習を amortize する - world model は標準的な rigid-body simulator の logged transitions から fit される - world model と tracking policy を1つのループで同時に学習する - 単一 GPU 3時間で学習が完了し、物理ロボット Unitree G1 へ転送可能

- 先行手法は model-free reinforcement learning が主流 - per-motion specialist を lossy distillation で統合するか、cluster-scale compute で単一 policy を brute-force するかの二択だった - SuperMimic は単一 GPU 3時間で、128 GPU・7日学習の state-of-the-art motion tracker baseline の return を上回る - GPU-hours を 1000倍以上削減 - 129,514 モーション中、失敗は 25 件（baseline は 179 件） - 2 GPU・9.8時間で失敗ゼロを達成

- 全モーションが共有する dynamics を表す1つの differentiable world model を構築 - 標準 rigid-body simulator の logged transitions から world model を fit - world model と tracking policy を同一ループで共同学習 - 短い imagined rollouts に対する backpropagation-through-time で policy に analytic gradients を供給 - 高速な imagined rollouts と analytic gradients により policy 学習を効率化

- 129,514 の benchmark motions で失敗数を比較（SuperMimic 25 件 vs baseline 179 件） - 単一 GPU 3時間で 128 GPU・7日学習の baseline の return を上回ることを確認 - 2 GPU・9.8時間で失敗ゼロを達成 - 1〜264 時間のモーション量で world model の prediction error が安定し、目標 return までの GPU-hours が緩やかに増えることを確認 - 学習した policy を物理ロボット Unitree G1 に転送し、多様かつ acrobatic なモーションで検証

- compute が humanoid whole-body control のスケーリングのボトルネックであるという立場を提示 - SuperMimic により motion-tracking scaling laws の測定が実用的になると主張 - world model の prediction error がモーション量 1〜264 時間で安定する点を scaling の根拠として議論 - 限界や失敗モードの詳細、sim-to-real gap の定量的議論は要旨からは不明

- 比較対象の state-of-the-art motion tracker baseline（具体的名称は要旨からは不明） - per-motion specialist を distillation で統合する先行 pipeline - model-free reinforcement learning による humanoid whole-body control の代表的研究 - differentiable world model を用いた model-based RL の関連手法 - Unitree G1 を用いた sim-to-real 転送の関連研究