遅延ランダム化が学習済みヒューマノイド動作追従の遅延マージンを広げる

学習済み humanoid の motion-tracking policy を対象に、command delay に対する robustness（delay margin）を独立した CPU MuJoCo harness で評価し、training 時の delay randomization が delay margin を広げるかを調べた研究。24-joint humanoid で monocular video 由来の5 motions を追従する policy を訓練し、40 ms の constant command delay 下での survival と delay margin を測定している。

- 従来の locomotion training で一般的な 0 - 20 ms の delay range は、randomization なしの tracker が既に持つ margin の内側に収まることを示した。 - その範囲を超えて randomize することに利得があると示した点が先行研究と異なる。 - 単なる追加 iteration では改善しない control arm を置き、利得が randomization 自体に由来することを切り分けた。 - 最初に見られた sim-to-sim gap の原因が physics engine ではなく harness（missing floor と wrong timestep）だったと特定した。

- 24-joint humanoid の motion-tracking policy を5 motions（monocular video 由来）で訓練。 - 訓練時 command delay を 0 - 50 ms で randomize する arm と、delay randomization なしで同数の追加 iteration を回す control arm を比較。 - 独立した CPU MuJoCo harness を training model に対して検証した上で評価。 - 40 ms constant command delay 下の survival rate と delay margin を指標とする。 - 5 motions × 3 training seeds、さらに PhysX で訓練した policy でも確認。

- 各 policy は training randomization 下で 30 episodes 中最低26で motion を完了。 - 40 ms constant delay で survival が平均15%（0% - 45%）、delay margin は 20 - 30 ms に低下。 - delay randomization（0 - 50 ms）で 40 ms 時の survival が平均95%（75% - 100%）、margin が 50 - 70 ms に拡大。 - 追加 iteration のみの control arm では改善せず、randomization 自体の効果と確認。 - 5 motions × 3 seeds すべてで成立し、PhysX 訓練 policy でも同様の挙動。

- 代償として tracking がわずかに緩む（4 motions で 0.02 - 0.06 rad）。 - 最も dynamic な motion では他の perturbation への robustness が低下。 - 最初の sim-to-sim gap は harness の missing floor と wrong timestep に由来し、physics engine 間の差ではなかった。 - delay range は robot の measured latency から設定すべきで、delay margin は他の sim-to-sim metrics と並べて報告すべきと主張。

- 要旨で参照/比較されている delay randomization を用いた locomotion training 研究（0 - 20 ms の delay range を常用するもの）。 - sim-to-sim 評価や sim-to-real 転移における harness 検証・metrics に関する研究。 - PhysX など別 physics engine での検証手法に関する研究。 - 具体的な論文名は要旨からは不明。