技術要約: MotionDisco

問題提起

ヒューマノイドロボットが現実世界で効果的に動作するためには、非構造化環境において長時間のロコ・マニピュレーション（移動と操作の統合）行動を実行する能力が必要です。しかし、高次元で接触に富む空間を探索することは、組み合わせ爆発を伴い、極めて困難です。現在の最先端のアプローチは、通常、この探索問題を回避するために、モーション・リターゲティング（人間のデモンストレーションをロボットに転送する手法）やテレオペレーション（遠隔操作）に依存しています。これらの手法には固有の限界があります。あらゆるシナリオに対してデモンストレーションを生成することは非現実的であり、また、動きを人間のデータに縛り付けることは、ロボットの持つ全物理能力の活用を妨げ、人間のような動作に制約を与えてしまいます。さらに、運動学的なリターゲティングのみから正確な接触情報を復元することは難しく、強化学習（RL）によるトラッキングを行う前に、動的な精緻化が必要となることがよくあります。

手法: MotionDisco フレームワーク

本論文では、テレオペレーションや人間のデモンストレーションを用いることなく、ゼロから接触に富む長時間のヒューマノイド・ロコ・マニピュレーション動作を発見するフレームワークである MotionDisco を提案しています。このシステムは、離散的な接触プランに対する LLM（大規模言語モデル）誘導型の進化論的探索と、効率的な 逐次的キノダイナミクス・トラジェトリ最適化器を組み合わせています。

1. 接触明示的なモーションプランニング

モーションプランニング・モジュールは、2段階のプロセスを通じて候補となる接触シーケンスを評価します。

• 逐次的運動学的実現可能性（Sequential Kinematic Feasibility）: 衝突回避、構成制限、または遷移の一貫性に失敗した接触シーケンスを拒絶する高速な幾何学的フィルタです。これは、具体的な失敗箇所を特定するテキストフィードバックを返します。
• 軌道最適化（Trajectory Optimization: TO）: 運動学的に実現可能なシーケンスに対して、連続的な最適化問題を解き、状態の軌跡、制御量、接触力（コンタクト・レンチ）、および各ステージの持続時間を算出します。この段階では、動力学、接触制約、およびハードウェア制限を強制します。得られる軌跡は、コスト指標（制約残差 + ジャーク正則化）と構造化されたフィードバックを提供します。

2. LLM誘導型進化ツリー探索

探索は、実行可能なプログラムとして表現される、接触モードのシーケンスのツリーに対して行われます。

• 表現形式: 各ノードは、エンドエフェクタと対象物を表面に割り当てる（接触モードの割り当て）プログラムを含みます。
• 変異（Mutation）: LLM（具体的には Claude Opus 4.7）は、シーンの記述、タスクのゴール、親となるプログラムのスコア、およびモーションプランナーからの テキストフィードバック に基づいて、親プログラムを変異させます。LLMは、連続的な動作の復元は最適化器に任せつつ、離散的な接触割り当て（把握、持ち上げ、配置、段差登りなど）に焦点を当ててコードを編集し、新しい接触プランを生成します。
• 探索戦略: フレームワークは、多様性を維持するために階層的な集団モデル（ShinkaEvolveに着想を得たもの）を採用しています。アイランドベースのサンプリングを用いて探索の労力を分散させ、冗長性を避けるための新規性に基づく拒絶、および新しい候補が多様な既知の解の上に構築できるようにするための「インスピレーション・サンプリング」を使用します。
• フィードバックループ: モーションプランナーのフィードバック（例：「モード5でIK（逆運動学）が不可能」）は自然言語に翻訳され、LLMにフィードバックされます。これにより、シーケンス全体を破棄するのではなく、局所的な失敗を修復するように後続の変異を導きます。

3. 実世界への展開

成功した軌跡が見つかると、DeepMimicスタイルの報酬とドメインランダム化を用いた強化学習トラッキングポリシーが訓練されます。このポリシーは、発見された動作を実行するために、実機のヒューマノイドロボット上にゼロショットで展開されます。

主な貢献

1. 新規フレームワーク: LLM誘導型の接触プラン進化探索と、階層的なキノダイナミクス最適化器を結合させたシステム。この最適化器は数値的なコストと構造化された言語フィードバックの両方を提供し、時間効率の良い発見を可能にします。
2. 探索の有効性: 広範なアブレーション研究により、構造化されたフィードバックを伴う反復的な探索が、非反復的なアプローチ（単一のLLM呼び出し）を大幅に上回ることが示されました。進化的な性質を持つ探索は、単一の実行内で同じタスクに対して多様な動作を生み出し、効率的なデータ生成源を提供します。
3. 実世界での検証: リターゲティングやテレオペレーションを用いることなく、実機上で長時間のヒューマノイド・ロコ・マニピュレーションスキルを自律的に発見・実行した最初の事例となります。

結果

フレームワークは、単純なピック・アンド・プレースから、複雑な全身動作（例：物体を持ちながらテーブルを登る、障害物を通り抜ける、パルクールスタイルのピック・アンド・プレースなど）に至る8つのタスクで評価されました。

• 成功率: MotionDiscoはすべてのシナリオを解決しましたが、単一のLLM呼び出し（反復探索なし）では、いくつかのタスクで有効な解を見つけることができませんでした。
• 効率性: フレームワークは、すべてのシナリオにおいて数分以内に最初の有効な解を見つけました。
• コスト削減: テキストフィードバックを伴う進化的な探索は、テキストフィードバックがないバージョンと比較して、より低い軌道最適化コストと、より高い割合の有効な接触プランを達成しました。
• 多様性: 探索は、同じタスクに対して質的に異なる接触プラン（例：異なるエンドエフェクタの割り当て）を生成し、ソリューション空間を広く探索できるシステムの能力を実証しました。
• ハードウェア実行: 発見された軌跡は実機のヒューマノイドロボットに正常に転送され、試行されたすべてのタスクにおいて複数回の連続した成功実行を達成しました。

意義と主張

本論文は、MotionDiscoが、ヒューマノイドロボットが環境について推論し、自動化された進化的な探索を通じて完全に新しい長時間の挙動を合成することを可能にすることで、大きな前進を遂げたことを主張しています。これは模倣学習やテレオペレーションの限界を超え、ロボットが人間のような挙動を超えた物理的能力を解放できることを示しています。本研究は、LLMの推論能力を厳密なキノダイナミクス最適化および構造化されたフィードバックと組み合わせることが、高次元空間における複雑で接触に富むスキルを発見するための実行可能な道であることを確立しています。

限界

著者らは現在の限界を認めています。

• 接触モデルは、長方形のパッチ上での一方向の付着接触（sticking contacts）のみをサポートしています。
• 操作対象の物体は、剛体かつ箱型の形状に限定されています。
• システムは既知のシーン表現を前提としており、センサーデータからシーン表現を構築するためのリアルタイムな知覚（例：ビジョンモジュール）はまだ組み込まれていません。
• 今後の課題として、接触モデルを滑り接触や非一方向接触へ拡張すること、関節を持つ物体や自由形状の物体を扱うこと、そしてオンザフライのシーン構築を統合することが挙げられています。