MOTIO：実世界接地型ヒューマノイド移動操作のためのエージェント型スキル工学

- MOTIOは、人間の行動動画・実世界に基づく3Dアセット・motion reference・再利用可能なrobot skillを、実行可能なhumanoid loco-manipulationプログラムへ変換するagentic skill-engineering system。 - in-contextなtask/contact reasoningを行うagentが、段階的なrobot-native interactionを構築する。 - physics execution・multi-frame feedback・human validationで改善し、task-specific teleoperationやrobot demonstration収集を不要とする。 - Agentic 3Dがmetricなproduct/environment assetを供給し、既存のwhole-body・inverse-kinematics・dexterous-hand interfaceがプログラムを実現する。

- 従来必要とされたtask-specific teleoperationやrobot demonstration collectionを不要にし、人間の行動動画や3D assetからskillを構築する点が特徴。 - 既存のwhole-body・inverse-kinematics・dexterous-hand interfaceを再利用し、新規のlow-level controllerを前提としない構成。 - 具体的な先行研究との定量比較は要旨からは不明。

- agentがin-contextでtaskとcontactをreasoningし、stagedなrobot-native interactionを構築。 - physics executionとmulti-frame feedback、human validationのループでskillを反復改善。 - Agentic 3Dによりmetricなproduct/environment assetを生成・供給。 - 既存のwhole-body・inverse-kinematics・dexterous-hand interfaceでプログラムを実行。 - シミュレーション側のlayout/object variationでlong-horizon skillを準備し、物理側でrefinement。

- 33件のtimestamped first approvalを記録し、agent-turn時間の中央値97.0分、request-to-approvalが2.80時間。 - シミュレーションのlayout/object variationを用い、scanned officeでG1による連続101.75秒のbottle-disposal skillを物理実行。 - 物理refinementによりscrew-tighteningのthread residualを76.0%削減。 - agent生成skillをBC/DAgger distillationのsupervisionに用い、単一shared reference policyの同一checkpointで18 simulated taskをinference-time expert interventionなしに完了。

- human validationをループに含むため、承認までの時間やagent-turn時間が運用上の制約になり得る(中央値97.0分、2.80時間)。 - 評価は33件のfirst approval、1件の長期物理実行、18 simulated taskであり、物理タスクの一般化や多様性に関する議論は要旨からは不明。 - 実機G1はscanned officeでのbottle-disposalに限定されており、他タスクへの展開可能性は要旨からは不明。

- BC/DAgger distillation(本論文でsupervisionに使用)。 - whole-body control、inverse-kinematics、dexterous-hand interface(基盤として利用)。 - agentic 3D asset生成(Agentic 3D)。 - humanoid loco-manipulationのteleoperationベース先行手法(具体名は要旨からは不明)。