ロボット歩行における身体性スケーリング則への試み

- ロボット locomotion をテストベッドに、訓練する embodiment 数を増やすと未見 embodiment への汎化が向上するという『embodiment scaling laws』仮説を検証する研究。 - 手続き生成により topological・geometric・joint-level kinematic な変異を持つ約1,000の embodiment を生成し、ランダム部分集合で policy を訓練。 - 仮説を支持する正の scaling trend を観察し、固定 embodiment での data scaling より広い汎化を実現。 - 全データで訓練した最良 policy は simulation と実世界の Unitree Go2・H1 へ zero-shot transfer した。

- 要旨からは不明（cross-embodiment generalization の先行研究との具体的比較は記述されていない）。 - ただし固定 embodiment 上での data scaling と比較し、embodiment scaling の方が未見 embodiment への汎化を大幅に広げることを示した点が特徴として述べられている。

- 約1,000の embodiment を手続き生成し、topological・geometric・joint-level kinematic の変異を導入。 - 生成した embodiment のランダム部分集合で locomotion policy を訓練し、訓練 embodiment 数に対する汎化性能の scaling を評価。 - 全 embodiment データセットで訓練した最良 policy を zero-shot で新規 embodiment に適用。

- 訓練 embodiment 数を変えながら未見 embodiment への汎化性能を測定し、正の scaling trend を確認。 - 固定 embodiment での data scaling との比較により、embodiment scaling の優位性を検証。 - 最良 policy を simulation 上の新規 embodiment と実世界の Unitree Go2・H1 に zero-shot transfer して有効性を確認。

- 結果は general embodied intelligence への一歩であり、configurable robots の adaptive control や morphology co-design などへの関連が述べられている。 - 具体的な限界や議論の詳細は要旨からは不明。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として cross-embodiment learning、generalist embodied agents、morphology co-design、adaptive control for configurable robots に関する研究が挙げられる（個別論文名は要旨からは不明）。