Bionic Human-Motion Style Transfer for Physically Executable Whole-Body Control of Humanoid Robots

技術要約：ヒューマノイドロボットの物理的に実行可能な全身制御のためのバイオニック・ヒューマンモーション・スタイル転送

問題提起

人間中心の環境で動作するヒューマノイドロボットには、安定した移動だけでなく、表現力豊かで、読み取りやすく、調整可能な身体動作が求められる。人間の動作スタイル（例：歩行のリズム、姿勢、腕の振る舞い）は、感情や意図を伝えるための豊かなバイオニックなソースとなるが、既存の手法はアニメーション指向のスタイル転送と物理的な実行可能性との間に大きな隔たりがある。

従来のアプローチは、固定されたデモンストレーションや手動で設計されたスクリプトに依存することが多く、示されたスタイルを異なる動作内容に再利用することが困難である。さらに、生成的なスタイル転送手法（拡散モデルなど）をヒューマノイドロボットに直接適用することは、視覚的に妥当な動作であってもハードウェアの制約に抵触する場合があるため、困難を伴う。生成されたシーケンスは、スタンス脚のドリフト、地面へのめり込み、あるいは高周波の関節振動を引き起こし、実機での追従を不安定にしたり、不可能にしたりすることがある。本研究が取り組む核心的な問題は、**「ターゲットとなるコンテンツ動作と、短い人間のスタイル例示が与えられたとき、タスクのセマンティクスを保持し、ターゲットのスタイルを表現しつつ、実機のヒューマノイドロボットによって安定して実行可能なフルボディのリファレンスをどのように生成するか？」**である。

手法

著者らは、ヒューマンモーション・スタイル転送とロボットの実行を、以下の3つのステージを通じて橋渡しするバイオニック生成・制御パイプラインを提案している。

1. 物理特性を考慮したマルチコンディション潜在拡散モデル
生成フレームワークは、以下の3つの異なるストリームによって条件付けられた潜在拡散モデルを利用する：

• コンテンツ（Content）： 意図されたアクションとグローバルな軌跡（例：歩行方向）を保持する。
• スタイル（Style）： 固定されたMotionCLIPエンコーダを用いて、短い人間の例示から表現力豊かな手がかり（リズム、揺らぎ、姿勢）を抽出する。
• 軌跡（Trajectory）： グローバルな経路構造を維持する。

単なる変調に依存する従来のマルチコンディション拡散モデルとは異なり、このアーキテクチャは、条件をDiffusion Transformer (DiT) 内の明示的なトークンとして融合させる。スタイル条件は自己注意（self-attention）ブランチを変調し、軌跡条件はフィードフォワード（feed-forward）ブランチを変調する。

• Classifier-Free Guidance： 推論時、スタイル強度は再学習なしにガイダンススケール（$\lambda$）を介して調整可能であり、スタイルをどの程度強く転送するかを制御できる。
• 物理特性を考慮した正則化： 実行可能性を確保するため、モデルは（潜在トークンだけでなく）デコードされた関節軌跡上で計算される正則化項を用いて訓練される。これには以下が含まれる：
  • 接触一貫性損失（Contact-Consistency Loss）： スタンスフェーズにおける足の滑りや地面へのめり込みにペナルティを課す。
  • 時間的滑らかさ損失（Temporal-Smoothness Loss）： 速度および加速度の微分を一致させることで、高周波の関節振動（ジッター）にペナルティを課す。

2. リファレンスの変換とリターゲティング
生成されたスタイリッシュな動作は、オフラインでG1適合型のリファレンスへと変換される。このプロセスには、特定のUnitree G1ロボットの形態（29個の能動自由度）に対して動作が実現可能であることを保証するための、関節順序、関節リミット処理、および運動学的フィルタリングが含まれる。

3. クラスター化および蒸留による全身追従（Whole-Body Tracking）
多様なスタイリッシュ・リファレンスを実行するために、プレビューベースの全身追従ポリシーが採用される。

• 訓練戦略： ポリシーは**クラスター化および蒸想（cluster-and-distill）**アプローチを用いて訓練される。まず、特定のモーションクラスター（直進歩行、旋回、円形歩行、上半身の強調）に対して、ダイナミクス・ランダマイゼーションを伴うエキスパート・ポリシーを訓練する。その後、これらのエキスパートをDataset Aggregation (DAgger) を用いて単一の汎用ポリシーへと蒸留する。
• 実行： ポリシーは、自己受容感覚の観測と、短期間（1秒間）の将来のリファレンス・プレビューを受け取る。これにより、ロボットはスタイルに依存するリズムや接触タイミングを予測することができ、スイング・スタンスの遷移中におけるロボットの安定性を高めることができる。

主な貢献

1. 定式化： 本論文は、人間由来のモーション・スタイル転送を、例示に基づくスタイル転送と実世界のロボット実行制約を明示的に結びつけたバイオニック全身制御問題として定式化した。
2. アーキテクチャ： デコードされた動作による正則化を通じて、接触の不整合や関節の振動を抑制しながら、スタイル手がかりを注入する物理特性を考慮したマルチコンディション潜在拡散モデルを開発した。
3. 制御戦略： 生成されたリファレンスを、コントローラーの切り替えなしに多様なスタイリッシュな動作の堅牢な展開を可能にするクラスター化および蒸留による追従ポリシーと統合した。
4. 検証： シミュレーションおよびUnitree G1ヒューマノイドロボットを用いた包括的な検証を行い、知覚的なスタイル指標とロボット指向の実現可能性指標の両方を報告した。

実験結果

本手法は、5つのガイダンススケール（$\lambda \in \{0, 0.25, 0.5, 0.75, 1.0\}$）において、Unitree G1ロボットを用いた125回のハードウェア試行で評価された。

• 成功率： 提案手法は、実機での試行において96.0%の成功率（125試行中120回）を達成した。失敗は主に、過度なスタイルの増幅が追従の逸脱や転倒を招く高いガイダンススケール（$\lambda=1.0$）において観察された。
• ベースラインとの比較： アニメーション指向のベースライン（MotionDiffuse, Motion Puzzle, MCM-LDM）と比較して、提案手法は優れたトレードオフを示した。一部のベースラインは、より優れた知覚スコア（例：Fréchet Motion Distance）を達成したが、接触の不安定性やジッターにより、シミュレーション上の成功率が著しく低かった（例：MCM-LDMは約60%に対し、提案手法は~96%）。
• アブレーション研究：
  • 正則化： 接触または滑らかさの正則化を除去すると、足の滑り（FSF）や関節の振動（Apos/Jpos）が増加し、物理特性を考慮した損失の必要性が確認された。
  • 追従戦略： クラスター化および蒸留ポリシーは、スタイルが多様なリファレンスを扱う上で単一ポリシーのベースラインよりも優れており、元の動作のみで訓練された単一ポリシーのシミュレーション成功率が81.25%であったのに対し、92.97%を達成した。

意義と主張

本論文は、**「短い人間のモーション例示を、物理的に実行可能な表現力豊かなヒューマノイド動作のための、再利用可能なバイオニックソースとして使用することの実現可能性」**を実証していると主張している。

• ギャップの解消： 本研究は、生成的なスタイル転送における「ロボットの実行可能性のギャップ」に対処しており、人間のような意図を伝える能力を損なうことなく、スタイル転送をロボットが実行可能な動作空間内に制約できることを示している。
• 実用的な展開： 実機での高い成功率を達成することで、本手法はシミュレーションのみのアニメーションを超え、社会的・サービス的環境において表現力豊かな振る舞いを展開するための実行可能なパイプラインを提供している。
• 限定的な範囲： 著者らは、現在の検証が平坦な屋内地形に限定されていること、およびフレームワークが複雑な外部接触や物体との相互作用をまだモデル化していないことを認め、限界事項としている。また、スタイルとコンテンツの完全な分離（例：スタイル例示の旋回バイアスが直進歩行タスクに影響を与えることの防止）は形式的に保証されていないが、マルチコンディション設計によってそれが緩和されていることも述べている。

要約すると、本論文は、ヒューマンモーション・スタイル転送を純粋な視覚的アニメーションタスクから、物理的に根ざした制御問題へと変貌させ、短い人間のデモンストレーションから派生した多様で表現力豊か、かつ安定した全身動作をヒューマノイドロボットが実行できるようにする、一貫したフレームワークを提示している。