日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
ヒューマノイド/強化学習arXiv:2611.06564

人間のようにサッカーする：潜在運動事前分布による多様で俊敏なヒューマノイドサッカー

Playing Soccer Like Humans Do: Learning Versatile and Agile Humanoid Soccer via Latent Motion Priors

シェア:XThreadsFacebookLINEはてブBluesky

大規模な人間のサッカー動作キャプチャから潜在運動事前分布を蒸留し、移動・ドリブル・トラップ・キックを単一のスキル条件付き方策で統合的に学習させる階層型強化学習フレームワークを提案。Unitree G1にゼロショット転送し、実環境で俊敏かつ自然なサッカー動作を実現した。

詳しい要約

1. どんなもの？

- 人間のサッカー動作を模倣する humanoid soccer のための階層型強化学習フレームワーク「soccerbot」 - 大規模な human soccer motion capture data から蒸留した structured latent motion prior を用いる - moving・dribbling・trapping・kicking を単一の skill-conditioned policy で統一的に学習 - Unitree G1 humanoid robot へ zero-shot transfer を実現

2. 先行研究と比べてどこがすごい？

- 既存手法は限られたスキルしか扱えない、または motion prior を用いず不自然な動作になるという制約があった - 本研究は unified skill set と human-like motion quality の両立を狙う点が新しい - latent motion prior により動的に妥当な motion manifold 内で policy を学習させる - 単一 policy で複数スキルと流動的なスキル切替を実現する点が先行研究と異なる

3. 技術・手法の肝は？

- 階層型強化学習 (hierarchical reinforcement learning) を採用 - 大規模 human soccer motion capture data から structured latent motion prior を蒸留 - policy learning を動的に妥当な motion manifold に制約 - skill-conditioned policy により moving・dribbling・trapping・kicking を統一的に定式化 - robustness-oriented simulation design を組み合わせて sim-to-real を狙う

4. どうやって有効だと検証した？

- robustness-oriented simulation design を施した上で Unitree G1 humanoid robot へ zero-shot transfer - 実世界条件下で全サッカースキル群の agile・natural・robust な実行を実証 - 具体的な評価指標・比較実験の詳細は要旨からは不明

5. 議論はある？

- 限界や失敗事例、定量的な性能比較に関する議論は要旨からは不明 - motion prior の汎化性や実機での長期安定性についての議論は要旨からは不明 - impact-rich contact dynamics への対応度合いの詳細は要旨からは不明

6. 次に読むべき論文は？

- 要旨で直接参照・比較されている個別研究は明示されていない - 関連手法として humanoid の motion imitation / motion prior を用いた強化学習、sim-to-real transfer、Unitree G1 を用いたロコモーション研究を次に読む候補として挙げる

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haoyu Shao, Yunshen Wang, Jingze Zhang, Shaohang Zhu, Yong-Lu Li, Tianzhu Zhang, Baoxiong Jia, Siyuan Huang

分類: cs.RO

原文アブストラクト

Humanoid soccer requires a robot to seamlessly combine agile locomotion, ball manipulation, and impact-rich contact dynamics across a continuous, dynamic behavioral spectrum. Yet existing approaches either cover only a limited set of skills, or forego motion priors entirely and produce unnatural behaviors, leaving the combination of a unified skill set and human-like motion quality unaddressed. We present soccerbot, a hierarchical reinforcement learning framework that resolves both limitations through a structured latent motion prior distilled from large-scale human soccer motion capture data. By constraining policy learning within this dynamically plausible motion manifold, a single skill-conditioned policy naturally learns to perform moving, dribbling, trapping, and kicking in a unified formulation, while inherently producing human-like motion and fluid transitions during commanded skill switching. Augmented by robustness-oriented simulation design, soccerbot transfers zero-shot to the Unitree G1 humanoid robot, demonstrating agile, natural, and robust execution of the full soccer skill repertoire under real-world conditions.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI