RedirectMimic：ヒューマノイド全身制御における局所動作コンテンツの秘匿化

- ヒト型ロボットの全身制御における「局所的な動作内容の秘匿(redaction)」を実現する手法 RedirectMimic の提案。 - 参照モーションを受け取り続けながら、特定の動き(例:腕の動作)だけを別の動きに置き換えることを目的とする。 - 対象は Unitree G1 のシミュレーション環境での全身制御。 - 展開時の観測・行動インタフェースは変更せず、学習時の報酬設計のみを操作する。

- 従来の局所編集アプローチである reward zeroing(対象動作の報酬をゼロ化)や anti-tracking(逆追従)と比較。 - overhead-arm タスクで core-window の内容発生率を 2.7% まで低減(reward zeroing は 58.9%、anti-tracking は 32.8%)。 - core-window joint success 94.2% を達成し、内容抑制・転倒回避・局所保持を同時に満たす。 - 両タスクでこれら手法中最小の replacement error を示し、未編集モーションの追従精度は pretrained controller と同等。

- actor が観測する参照と、実行を学習するためのターゲットを分離する点が肝。 - ルールベースで生成した edited reference が PPO(proximal policy optimization)中の tracking reward を導く。 - 展開時の観測・行動インタフェースはそのまま維持し、学習時のみ編集参照を利用。 - 7,509 motion clips で pretrained した tracker を基盤とする。

- Unitree G1 シミュレーションで、pose 定義および speed 定義の腕編集タスクを評価。 - 指標は core-window content occurrence、core-window joint success、replacement error、未編集モーションの追従精度。 - reward zeroing および anti-tracking との比較で有効性を検証。

- speed 定義タスクでは、3 つの局所編集手法すべてで速い外向き腕運動の発生率が同程度に低く、手法間の差は限定的。 - ルール生成の edited reference に依存するため、編集ルール設計の一般性や他タスクへの拡張性は要旨からは不明。 - 実機での検証や安全性・計算コストに関する議論は要旨からは不明。

- reward zeroing - anti-tracking - proximal policy optimization (PPO) - Unitree G1 を用いた humanoid whole-body control の tracking 研究 - motion retargeting / motion imitation 系の基盤 tracker 研究