VIRAL: ヒューマノイドの移動操作に向けた大規模視覚Sim-to-Real

- ヒューマノイドの loco-manipulation を完全に simulation 内で学習し、zero-shot で実機に展開する visual sim-to-real フレームワーク VIRAL の提案。 - teacher-student 構成を採用。 - privileged RL teacher は full state を用い、delta action space と reference state initialization で long-horizon loco-manipulation を学習。 - vision-based student policy は teacher から distillation。 - Unitree G1 humanoid 上で RGB ベースの policy として連続最大 54 cycles の loco-manipulation を実現。

- 実機での humanoid loco-manipulation は自律スキルの不足が障壁。 - VIRAL は simulation のみで学習し、real-world fine-tuning なしの zero-shot 展開を実現。 - 実機で最大 54 cycles の連続 loco-manipulation と、多様な spatial/appearance 変化への汎化を達成。 - expert-level teleoperation 性能に迫ると報告。 - 具体的な先行研究名との比較は要旨からは不明。

- teacher-student distillation を中核とする。 - privileged RL teacher が full state で学習。 - delta action space と reference state initialization を利用。 - student は tiled rendering を用いた大規模 simulation で学習。 - online DAgger と behavior cloning の混合で訓練。 - sim-to-real gap 対策: - lighting, materials, camera parameters, image quality, sensor delays にわたる大規模 visual domain randomization。 - dexterous hands と cameras の real-to-sim alignment。 - compute scale が重要で、最大 64 GPUs 規模の simulation が teacher/student 双方の安定訓練…

- Unitree G1 humanoid への実機展開で検証。 - RGB-based policy が最大 54 cycles の連続 loco-manipulation を実行。 - 多様な spatial/appearance 変化へ汎化し、real-world fine-tuning 不要。 - expert-level teleoperation 性能に接近。 - 広範な ablations により、RGB-based humanoid loco-manipulation を実用化する設計選択を分析。 - compute scale の影響も検証し、低 compute では失敗しやすいことを示唆。

- compute scale が critical であり、数十 GPUs（最大 64）規模が必要とされる点を議論。 - 低 compute regime では teacher/student 訓練がしばしば失敗。 - sim-to-real には大規模 visual domain randomization と real-to-sim alignment の組合せが重要。 - 具体的な限界や失敗事例の詳細は要旨からは不明。

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として、teacher-student distillation、privileged RL、online DAgger、behavior cloning、visual domain randomization、real-to-sim alignment が挙げられる。 - 同分野の定番として sim-to-real transfer や humanoid loco-manipulation の RL 研究を次に読む候補とする。