技術要約: PHUMA - 物理的に信頼性の高いヒューマノイド・ロコモーション・データセット

1. 問題提起

ヒューマノイド・ロボットが汎用的なエンボディドAIとして機能するためには、信頼性の高い自然な移動（ロコモーション）が必要である。タスク指向の報酬を用いた強化学習（RL）は四足歩行ロボットでは成功しているが、これをヒューマノイドに適用すると、効果的ではあるものの人間らしい協調性に欠ける歩容（ゲイト）が生じることが多い。人間の動きを模倣するようにポリシーを訓練するモーション・イミテーション（動作模倣）は、有望な解決策として浮上している。しかし、このパラダイムは、利用可能な人間動作データの規模、多様性、および物理的な実現可能性によって根本的に制約されている。

既存のデータセットには、以下のようなトレードオフが存在する：

• 高品質なモーションキャプチャ（例：AMASS, LaFAN1）： これらは物理的に実現可能な動作を提供するが、規模と多様性に乏しく、歩行やリーチングといった単純な動作に偏る傾向がある。
• 大規模なインターネット動画（例：Humanoid-X）： 近年の手法は、規模を拡大するために膨大な量のインターネット動画をモーションデータに変換している。しかし、これらのパイプラインは、以下のような深刻な**物理的アーティファクト（不自然な現象）**に悩まされている：
  • グローバルな並進エラー： 「浮遊」（足が地面から浮いている）や「貫入」（足が地面にめり込んでいる）を引き起こす。
  • リターゲティングの失敗： 関節の整合性よりも物理的な妥当性を優先しないため、関節の限界突破やフットスケーティング（足の滑り）を招く。
  • 不安定性： ルート（根元）のジッターや、ロボットの環境には存在しない物体（例：椅子に座る動作など）を必要とする動作などのアーティファクト。

これらのアーティファクトは、安定したイミテーション学習を阻害する。なぜなら、物理的に無効なデータで訓練されたポリシーは、実世界のハードウェアへの転移において困難に直面するからである。

2. 手法

著者らは、インターネット動画のスケール化を実現しつつ、物理的制約を課すように設計された2段階のパイプラインを通じて構築された、PHUMA（Physically Reliable HUMAnoid locomotion dataset）を提案する。

2.1 物理特性を考慮したモーション・キュレーション

リターゲティングを行う前に、生のモーションデータ（Humanoid-Xおよびその他のソースから派生したもの）に対して、物理的に無効なシーケンスを除去するためのフィルタリング・プロセスが行われる：

• ジッターおよび不安定性の除去： 低域通過バターワース・フィルタを用いて高周波のジッターを平滑化する。過度なジャーク（加加速度）が発生しているシーケンスや、重心（CoM）が支持基底面から外れているもの（例：存在しない椅子に座っている状態を示す不安定な動作）は破棄される。
• 接地接触の補正： 動画由来のモーションは固定された地面の基準を持たないことが多いため、足のメッシュ頂点の高さに対する**多数決（majority voting）**を用いて、グローバルな接地平面を推定する。
• クリップレベルのセグメンテーション： データ全体を破棄するのではなく、データを4秒間のクリップに分割する。過度なジャーク、重心の不安定性、または不十分な足の接地（浮遊）を示すクリップのみを削除することで、本来は欠陥のあるシーケンス内にある有効なセグメントを保持する。
• データ拡張： キュレーションされたビデオデータは、LaFAN1、LocoMuJoCo、および独自のビデオキャプチャによる高品質なモーションキャプチャデータと組み合わされる。

2.2 物理制約付きモーション・リターゲティング（PhySINK）

人間の動きをロボットの形態にマッピングする際に導入されるアーティファクトに対処するため、著者らはPhySINK（Physically constrained Shape-adaptive Inverse Kinematics）を導入する。これは、標準的なShape-adaptive Inverse Kinematics (SINK) を、共同で最適化される4つの特定の損失項で拡張したものである：

1. モーション忠実度損失 ($\mathcal{L}_{Fidelity}$): ソースとなる動きのスタイルを維持するために、関節ごとの位置誤差とリンクごとの方位誤差を最小化する。
2. 関節実現可能性損失 ($\mathcal{L}_{Feasibility}$): ロボットの機械的限界を超える関節角や関節速度にペナルティを課し、過度な伸展を防ぐ。
3. 接地損失 ($\mathcal{L}_{Ground}$): 接地フレームにおける足の高さを推定された接地平面に合わせ、浮遊や貫入を排除する。
4. スケーティング損失 ($\mathcal{L}_{Skate}$): 接地フレーム中の水平方向の足の速度を抑制し、足の滑りを防ぐ。

総目的関数は以下の通りである：
$$\mathcal{L}_{PhySINK} = \mathcal{L}_{Fidelity} + w_{Feasibility}\mathcal{L}_{Feasibility} + w_{Ground}\mathcal{L}_{Ground} + w_{Skate}\mathcal{L}_{Skate}$$

3. 主な貢献

• PHUMAデータセット： モーションキャプチャとキュレーションされたインターネット動画を集約した、73時間の物理的に信頼性の高いヒューマノイド・ロコモーション・コーパス。これはAMASSに対して3.5倍の規模であり、物理的な実現可能性という観点において、Humanoid-Xの利用可能な期間（231.4時間中69.1時間）を上回っている。
• PhySINKアルゴリズム： 関節限界、接地、およびアンチスケーティングの制約を明示的に強制する新しいリターゲティング手法であり、標準的なIK、GMR、およびSINKと比較して、物理的アーティファクトを大幅に削減する。
• 物理特性を考慮したキュレーション・パイプライン： ビデオ由来のモーションをフィルタリングおよび補正するための体系的なアプローチを提供し、データの「量」よりも「質（キュレーション）」が重要であることを示している。

4. 実験結果

著者らは、シミュレーション（Masked-Mimic経由）および実世界への展開（BeyondMimic経由）において、Unitree G1およびH1-2ヒューマノイドを用いて、4つの軸にわたってPHUMAを評価した。

• キュレーションの影響： アブレーション研究により、Humanoid-Xのデータに物理特性を考慮したフィルタを適用することで、データサイズを約75%削減した場合でも、ダウンストリームのモーション・トラッキング成功率が大幅に向上することが示された。
• リターゲティング性能： PhySINKは、5つの物理的信頼性指標（モーション忠実度、関節実現可能性、非浮遊、非貫入、非スケーティング）のすべてにおいて、IK、GMR、およびSINKを上回った。特筆すべきは、PhySinkが忠実度と物理的制約の両方において高いスコアを同時に達成できた唯一の手法であったことである。
• データセット比較： PHUMAで訓練されたポリシーは、LaFAN1、AMASS、およびHumanoid-Xで訓練されたポリシーと比較して、すべてのモーションカテゴリ（静止、回転、垂直、水平）において最高の成功率を達成した。
  • 未知の動作において、PHUMAで訓練されたポリシーはシミュレーションで**92.7%**の成功率を達成したが、AMASSは76.2%、Humanoid-Xは50.6%であった。
• 実世界への転移： 実世界のUnitree G1におけるゼロショット展開において、PHUMAで訓練されたポリシーは、AMASSで訓練されたポリシーと比較して、16.3%低いトラッキング誤差（MPJPE）を示した。定性的な結果からも、より忠実なモーション・トラッキングと、物理的な違反の少なさが確認された。

5. 意義と主張

本論文は、ヒューマノイドのモーション・イミテーションにおける主要なボトルネックは、単なるデータの量ではなく、その物理的な信頼性であると主張している。従来の広範なデータセット（Humanoid-Xなど）は、安定した学習を妨げるアーティファクトに悩まされており、一方で高品質なデータセット（AMASSなど）は多様性に欠けている。PHUMAは、このギャップを埋めることに成功した。

著者らは以下の結論を導き出している：

1. データの質が極めて重要である： 学習データの物理的違反をフィルタリングおよび補正することは、単にデータ量を増やすことよりも優れたポリシー性能をもたらす。
2. リターゲティングが重要である： リターゲティング段階（PhySINK経由）で物理的制約を強制することは、安定した実世界のロコモーションにつながる訓練データを生成するために不可欠である。
3. 信頼性を伴うスケーラビリティ： 厳格なキュレーションと制約ベースのリターゲティング・パイプラインを用いれば、物理的な妥当性を損なうことなく、インターネット動画を用いてヒューマノイドのモーション・データセットをスケールアップさせることが可能である。

本研究は、ヒューマノイドのモーション・トラッキングの進展は、物理的に信頼できるデータを保有することにかかっていることを確立しており、PHUMAはその基準を提示することを目指している。