日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2507.08303

歩みを止めず:選択的敵対的訓練による頑健なヒューマノイド運動スキルの学習

Keep on Going: Learning Robust Humanoid Motion Skills via Selective Adversarial Training

シェア:XThreadsFacebookLINEはてブBluesky

脆弱な状態と行動を選択的に攻撃する敵対的訓練手法を提案し、ヒューマノイドの長期運動・全身体制御の頑健性を向上させた。

詳しい要約

1. どんなもの?

- ヒト型ロボットの長期的な運動スキルの安定性を高めるための強化学習(RL)手法「Selective Adversarial Attack for Robust Training(SA2RT)」を提案する研究。 - 長時間運用、センサ/アクチュエータのノイズ、実世界の外乱に対してRL運動ポリシーが不安定になる問題に対処する。 - Unitree G1 ヒト型ロボットで知覚ベースの移動(perceptive locomotion)と全身制御(whole-body control)タスクに適用。

2. 先行研究と比べてどこがすごい?

- 従来のRL運動ポリシーは長時間運用やノイズ・外乱下で安定性を失いやすい。 - 提案手法は攻撃予算制約の下で最も脆弱な状態と行動を特定し、疎に摂動を与えることで、保守的な過学習を誘発せずに真の弱点を露呈させる点が特徴。 - これにより、発見された最強の攻撃に対してポリシーを継続的に強化できる。

3. 技術・手法の肝は?

- Selective Adversarial Attack for Robust Training(SA2RT)を提案。 - 敵対者は攻撃予算制約の下で最も脆弱な状態と行動を特定し、疎に摂動を加えるよう学習される。 - 非ゼロサムの交互最適化(non-zero sum, alternating optimization)により、発見された最強の攻撃に対して運動ポリシーを継続的に強化する。

4. どうやって有効だと検証した?

- Unitree G1 ヒト型ロボットで知覚ベースの移動と全身制御タスクにおいて検証。 - 敵対的訓練を行ったポリシーは地形走破成功率が40%向上、軌道追従誤差が32%減少。 - 長期的な移動性能と追従性能を維持できることを示した。

5. 議論はある?

- 選択的敵対攻撃が堅牢で長期的なヒト型ロボット運動スキルを学習するための効果的な駆動力であることを示唆。 - 具体的な限界や失敗事例、計算コスト、実機展開の課題については要旨からは不明。

6. 次に読むべき論文は?

- 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、敵対的強化学習(adversarial RL)、ドメインランダム化(domain randomization)、ロバスト強化学習(robust RL)の代表的文献を次に読むべき。 - 具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yang Zhang, Zhanxiang Cao, Buqing Nie, Haoyang Li, Zhong Jiangwei, Qiao Sun, Xiaoyi Hu, Xiaokang Yang, Yue Gao

分類: cs.RO

原文アブストラクト

Humanoid robots are expected to operate reliably over long horizons while executing versatile whole-body skills. Yet Reinforcement Learning (RL) motion policies typically lose stability under prolonged operation, sensor/actuator noise, and real world disturbances. In this work, we propose a Selective Adversarial Attack for Robust Training (SA2RT) to enhance the robustness of motion skills. The adversary is learned to identify and sparsely perturb the most vulnerable states and actions under an attack-budget constraint, thereby exposing true weakness without inducing conservative overfitting. The resulting non-zero sum, alternating optimization continually strengthens the motion policy against the strongest discovered attacks. We validate our approach on the Unitree G1 humanoid robot across perceptive locomotion and whole-body control tasks. Experimental results show that adversarially trained policies improve the terrain traversal success rate by 40%, reduce the trajectory tracking error by 32%, and maintain long horizon mobility and tracking performance. Together, these results demonstrate that selective adversarial attacks are an effective driver for learning robust, long horizon humanoid motion skills.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI