技術要約: CONTACTMIMIC

問題提起

現在のヒューマノイド全身型全身・操作（loco-manipulation）システムは、主にキーポイントの軌跡（運動学的ターゲット）を追跡して人間の動きを模倣することに依存しています。しかし、椅子に座る、ホワイトボードを拭く、家具を押すといった多くの有用なインタラクションタスクにおいては、成功の定義は単なるロボットのポーズではなく、環境との明示的な物理的接触にあります。

既存のトラッカーは、動作の形状を再現することはできても、必要な物理的接触を確立できないことがよくあります（例：ボードの近くで手を振るだけで、実際に拭くことはできない）。その結果、これらのシステムはタスクの実行には不十分であり、成功させるためには通常、タスク固有の報酬を用いた微調整が必要となります。さらに、現在の手法は、デプロイメント中に接触を行うべきか抑制すべきかを明示的に制御する能力を欠いており、同じ運動幾何学であっても異なる接触挙動が必要なシナリオ（例：椅子に座る場合と、触れずにしゃがむ場合）における汎用性を制限しています。

手法

著者らは、キーポイント追跡とともに、テスト時における明示的かつ制御可能な接触挙動を可能にする学習フレームワークであるCONTACTMIMICを提案しています。このシステムは、以下の3つの核となる柱に基づいています。

1. 接触条件付きポリシー

ポリシー $\pi_\theta(a_t | p_t, \bar{k}_t, \bar{c}_t)$ は、3つの入力を受け取ります：

• 固有受容感覚 ($p_t$): ロボットの内部状態。
• キーポイントターゲット ($\bar{k}_t$): ボディパーツの参照軌跡。
• バイナリ接触ラベル ($\bar{c}_t$): 特定の物体部位との接触が望ましい（1）か、抑制されるべき（0）かを示す、タイムステップごとおよびボディパーツごとのマップ。

ポリシーは目標関節角を出力し、それらはPDコントローラを介してトルクに変換されます。特筆すべき点として、本システムは入力として明示的な接触センサを使用せず、固有受容感覚を用いて実行時の接触状態を推論することに依存しています。

2. 報酬設計

接触コマンドに従うようにポリシーを訓練するために、著者らは標準的な追跡および正則化項に加えて、接触を考慮した報酬を導入しています：

• 接触ラベル一致報酬 ($r^{lm}_t$): ロボットのボディパーツと物体表面との間の、指令された接触状態（真陽性率および真陰性率）を一致させるよう促します。2つのバリアント（デフォルトのBalanced Accuracy、および疎な接触動作のためのTP-FP）が使用されます。
• 接触距離報酬 ($r^{cd}_t$):
  • 正の項: 物体に接触させる予定のボディパーツが、表面の近くに留まるよう促します。
  • 負の項: 接触させない予定のボディパーツが、閾値 $\delta$ 以内に近づきすぎた場合にペナルティを課します。

3. 相関を打破するためのデータ拡張

生の人間と物体のインタラクションデータにおいては、キーポイントの軌跡と接触パターンが強く相関している（特定の動きは通常、特定の接触パターンを伴う）という重大な課題があります。素朴に訓練を行うと、ポリシーは接触コマンドを無視し、キーポイントのみから接触を推論してしまう可能性があります。

これを軽減するために、著者らは、同様のキーポイント構造を持ちながら異なる接触ラベルを持つ運動ペアを生成する拡張スキームを提案しています：

• 接触ラベルの反転 (Contact-Label Flipping): 元の軌跡を保持したまま接触ラベルを反転させ、ロボットが物体と接触することに対してペナルティを課します。
• 物体の除去 (Object Removal): シミュレーションからインタラクション対象の物体を除去し、キーポイントの軌跡を維持したまま接触ラベルをゼロに強制します。
• 形状の膨張 (Inflated Geometry): リターゲティング中に物体の衝突メッシュを膨張させ、ロボットがその周囲を回避するように強制します。これにより、接触が自然に発生しない摂動を受けた軌跡が生成され、それらはゼロとしてラベル付けされます。

これらの拡張ペアは、ポリシーが幾何学的な形状のみから接触を推論するのではなく、明示的な接触コマンドに注目するように強制します。

主な貢献

1. 明示的な接触制御: 単一のポリシーで、同じキーポイント軌跡に対して接触を行うか抑制するかを切り替えることを可能にするフレームワークであり、インタラクション（例：背もたれがある状態で座るか、なしで座るか）に対する微細な制御を実現します。
2. タスクフリーな操作: キーポイントと接触の軌跡追跡のみを使用して、タスク固有の報酬を必要とせずに、物体操作タスク（例：箱を持ち上げる）を完了する能力。
3. データエンジニアリング戦略: 拡張（反転、除去、膨張）によるキーポイントと接触の間の相関を打破することが、真の接触条件付き挙動を学習するために必要であることを実証したこと。
4. 固有受容による推論: ポリシーが、実行時の接触状態を固有受容感覚のみから暗黙的に推論することを学習できるという発見。これにより、推論時の外部接触センサの必要性を排除しました。

実験結果

本フレームワークは、シミュレーションおよび実世界の双方において、Unitree G1ヒューマノイドロボットを用い、10種類の多様な人間と物体のインタラクション動作（例：拭く、座る、寄りかかる、蹴る、箱を持ち上げる）で評価されました。

• 接触制御可能性: シミュレーションおよび実世界のテストにおいて、ポリシーは接触コマンドを正常に実行しました。接触を指令された場合（$\checkmark$）、ロボットは物理的接触を確立しました（例：ホワイトボードを消す、背もたれに寄りかかる）。接触を抑制するように指令された場合（$\times$）、ロボットは同じポーズの幾何学を維持しながら、接触を回避しました。
• ベースラインとの比較: 最先端のキーポイントのみのトラッカーである BeyondMimic と比較して、CONTACTMIMICは、同等のキーポイント追跡精度（MPJUE）を維持しつつ、大幅に高い接触指標（接触ボディおよびインパルス）を達成しました。BeyondMimicは、操作タスクに必要な物理的接触を確立できませんでした。
• アブレーション研究: 提案されたデータ拡張戦略を削除すると、接触制御能力が大幅に低下し、拡張が接触挙動をデカップリングするために不可欠であることが確認されました。
• 実世界への転移: ポリシーは実機の Unitree G1 ロボットへ正常に転移し、5つの異なる動作（例：拭く、座る、寄りかかる）において高い成功率で堅牢な接触制御可能性を示しました。

意義と主張

論文は、CONTACTMIMICが、ヒューマノイドが「偶発的」ではなく「目的を持って」世界と相互作用するための一歩であると主張しています。明示的な接触条件付けを導入することで、著者らは、接触を伴うタスクを表現するためのシンプルかつ一般的なインターフェースを提供しています。

その意義は以下の通りです：

• 幾何学と接触のデカップリング: 接触挙動が、運動の幾何学的な軌跡から独立して制御できることを証明しました。
• タスク固有報酬の排除: 複雑な操作タスクが、単に接触とキーポイントの軌跡を一致させるだけで学習できることを示し、手動で作成されたタスク報酬の必要性を排除しました。
• スケーラビリティ: このアプローチは、単一のポリシーアーキテクチャが、ラベルを切り替えるだけで多様なインタラクションモード（接触 vs 非接触）を扱えることを示唆しており、より多才で適応可能なヒューマノイドへの道筋を示しています。

著者らは、現在の限界についても認めています。これには、現在、モーションごとに個別のポリシーを訓練する必要があること（ユニバーサルなトラッカーではない）、高品質な人間と物体のインタラクションデータセット（HUMOTO）への依存、および単一のロボットプラットフォームでの評価が含まれます。今後の課題として、モーションをまたいだ共同学習や、野外ビデオデータの活用が挙げられています。