技術要約：知覚的行動基盤モデル (Perceptive Behavior Foundation Model)

問題提起

ヒューマノイドの行動基盤モデルは、広範な人間の動きの事前知識から再利用可能な全身制御ポリシーを獲得し、単一のコントローラーで多様かつ表現力豊かな動作を生み出すことを目的としている。しかし、既存のモーション中心の基盤ポリシーは、参照動作がすでにロボットの周囲環境に対して物理的に適合しているという決定的な仮定の下で動作している。

この仮定は、人間によるデモンストレーション、オペレーター、およびロボットが異なる環境に存在する場合の「オペレーターと環境のミスマッチ」というシナリオにおいて成立しない。人間の運動コマンドは意図やスタイルを指定するが、ロボットのローカルな地形（例：階段、まばらな支持物、または障害物）に必要な足場、スイングのクリアランス、体高、あるいは接触タイミングを本質的にエンコードしているわけではない。その結果、複雑な地形に対して平坦な地面を基準とした参照動作を追従しようとするロボットは、衝突、バランス喪失、または運動学的な不適合によって失敗する可能性がある。核心となる課題は、生の運動コマンドのインターフェースを変更することなく、ロボット中心の知覚に基づいて人間の運動の事前知識を接地させることである。

手法：知覚的行動基盤モデル (Perceptive BFM)

著者らは、生の運動参照をデプロイメント・コマンドとして保持しつつ、ローカルな地形観測を用いて接触、姿勢、およびタイミングを適応させる単一ポリシー・フレームワークであるPerceptive BFMを提案している。このアプローチは、段階的な知覚的モーション・トラッキング (Perceptive Motion Tracking: PMT) 学習アルゴリズムに基づいている。

1. 地形適合的参照合成 (Terrain-Conformal Reference Synthesis: TCRS)

スケーラブルな地形監督を提供するために、著者らは生の人間運動クリップとサンプルド地形高さフィールドを地形整合的な参照 ($m_{tcrs}$) へと変換するオフライン合成パイプラインを開発した。このモジュールは完全な接触豊かな動力学を解くものではないが、以下の手法を通じて、接触に整合し、滑らかで、スタイルを保持した参照を構築する：

• 接触を考慮した足場構築 (Contact-aware foothold construction): グローバルな歩行フェーズと公称の足の着地タイミングを維持しながら、スタンス脚を地形表面に固定する。
• 足の形状を考慮したスイング最適化 (Foot-geometry-aware swing optimization): サンプリングベースの軌道最適化器を用いて、つま先と踵のクリアランスのバランスを取りながら仮想的な中間足軌道を最適化し、地形の不連続性を回避する。
• 支持を考慮したルート再構成 (Support-aware root reconstruction): 支持接触と脚の到達可能性に基づき、ルート（骨盤）の高さを再構成する。
• 衝突修復とマルチポイント脚IK (Collision repair and multi-point leg IK): 12個の脚関節に対して、減衰付きの支持考慮型マルチポイント・ヤコビアン逆運動学 (IK) 問題を解き、衝突を解決して運動学的な実現可能性を確保する。

2. 教師・生徒学習パイプライン

学習プロセスは4つのステージで構成される：

• ステージ1 (オフライン合成): TCRSが、生の参照 ($m_{raw}$)、地形適合的参照 ($m_{tcrs}$)、および地形マップ ($\tau$) のペアとなったデータセットを生成する。
• ステージ2 (ブラインド教師学習): 合成された $m_{tcrs}$ 参照を追従するように、近接方策最適化 (PPO) を用いてTransformerベースの「ブラインド」教師ポリシーを学習させる。この教師は特権情報（適応された参照）にはアクセスできるが、視覚的な地形入力は持たない。
• ステージラージ3 (ビジョン生徒蒸留): 元の生の参照 ($m_{raw}$) とローカルな地形スキャンを受け取る「ビジョン生徒」ポリシーを、教師から蒸留する。
  • ターゲットフレーム・アクション・アライメント: 教師は $m_{tcrs}$ に基づいて動作し、生徒は $m_{raw}$ に基づいて動作するため、生徒は生の参照に対する相対的な教師の「有効な」関節目標 $a^*_t = (q_{tcrs} + \mu_{tea}) - q_{raw}$ を模倣するように学習する。
  • アイデンティティ・ゲート型アーキテクチャ: 生徒はアイデンティティ・ゲート型Transformerである。地形の特徴量は、ゼロで初期化された残差パスウェイを通じて入力される。これにより、初期状態において生徒は正確に生の参照トラッカーとして振る舞い、トラッキング目的を改善する場合にのみ、地形条件付きの補正を学習する。
• ステージ4 (PPOファインチューニング): 生の参照コマンドと地形観測を用いて、生徒をPPOでファインチメントニングする。これにより、転送された運動追従の事前知識を保守的に更新しつつ、局所的な知覚条件付きの補正を学習させる。

主な貢献

1. TCRSパイプライン: 接触を考慮した足場構築、スイング最適化、ルート再構成、およびマルチポイントIKを通じて、生の人間運動と地形高さフィールドを地形整合的な監督へと変換する、スケーラブルなオフライン合成手法。
2. PMTアルゴリズム: 生の参照をコマンドとして使い続ける教師・生徒フレームワーク。地形適合的な挙動を、ターゲットフレーム・アクション・アライメントを介して、ブラインドな教師からビジョン生徒へと転送する。
3. アイデンティティ・ゲート型ポリシー設計: 生の参照トラッカーとして初期化され、地形条件付きの残差補正を学習するTransformerポリシー。これにより、単一のコマンドインターフェースで、多様な地形における移動、表現力豊かな動作、アクロバット、およびオペレーターと環境のミスマッチをサポートすることが可能になる。

結果

論文では、5つのレベルでPerceptive BFMを評価している：

• TCRSの品質: ステッピングストーン（階段状の石）において、TCRSはベースライン（ZオフセットおよびCubic Interp+IK）と比較して、衝突に敏感な指標を有意に減少させた。具体的には、貫入深さを5.48 cm (Z-offset) から2.38 cmへ、クリアランス違反を14.3% (Cubic) から7.4%へと減少させた。
• 学習終了時の診断: 一般的な1万イテレーションのPPO設定において、完全なPMTポリシーは、ログに記録されたクローズドループ成功率 55.1% を達成し、以下のアブレーション（要素除去実験）を大幅に上回った：
  • TCRSなし (生の参照のみ): 27.3%
  • ビジョンなし (ブラインド): 26.5%
  • ターゲットフレーム・アライメントなし: 26.7%
  • アイデンティティ・ゲーティングなし: 30.4%
• クロス地形シミュレーション: 30種類の運動コマンドと5種類の地形ファミリー（階段、傾斜、まばらな支持物、凹んだ障害物、混合屋内）における固定ポリシーのロールアウトにおいて、PMTは 55.1% の完了率を達成した（生の参照ベースラインの27.3%と比較）。また、PMTは下腿の衝突発生率も低かった（10.0% vs 24.7%）。
• 実機ロボットへのデプロイ: 単一のポリシーが29自由度のUnitree G1ロボットにデプロイされた。屋内、屋外、およびモーションキャプチャのミスマッチ設定において、多様な動作（片足バックフリップ、階段でのダンス、腕を振るランニング、横歩きの階段昇降）を正常に実行した。ロボットは、知覚によって足場とクリアランスがオンラインで解決される一方で、指令された上半身の挙動を維持した。

重要性と主張

本論文は、ロボット中心の知覚を用いることで、生の運動コマンドのインターフェースを変更することなく、人間の運動の事前知識を地形適合的な全身挙動へと変えることができると主張している。

その重要性は、表現力豊かな追従には優れているが地形を無視してしまう「汎用的な行動基盤モデル」と、地形は扱うが人間の意図を自律的なスキルに置き換えてしまう「知覚的移動ポリシー」との間の溝を埋めることにある。Perceptive BFMは、単一のポリシーが、下半身の補正後に上半身のコマンドが実現可能である限り、人間のオペレーターの「意図とスタイル」を保持しながら、物理的な実現（接触、姿勢、タイミング）を局所的な環境に動的に適応できることを示している。著者らは、このアプローチにより、複雑なタスク（アクロバットやミスマッチ環境でのテレオペレーションなど）に対して、広範な人間の運動の事前知識を再利用できると述べている。

論文では、静的で剛体な地形という仮定や、上半身の衝突回避に関する欠如（コマンドが衝突を考慮していない場合、腕や胴体が障害物に当たる可能性がある）といった限界についても認めている。今後の課題として、動的または変形可能な地形や、上半身の適応への対応が挙げられている。