SCRIPT: 言語駆動の物理ベース人型ロボット制御のための多段階学習によるスケーラブル拡散ポリシー

自然言語指示から physics-based humanoid を制御するための拡散ポリシー SCRIPT を提案する。 - 中核は Joint Action-State-Text Diffusion Transformer (JAST-DiT)。 - action・physical state・text を専用 token stream として表現し joint attention で結合。 - 多段階学習: 教師あり模倣 pre-training と Reinforcement Learning with Hybrid Rewards (RLHR) による post-training。 - 長期的な autoregressive control を安定化する nonlinear history conditioning を導入。 - 1200-hour MotionMillion dataset での scaling 研究も実施。

既存手法は semantic expressiveness と physical feasibility の緊張関係に制約され、指示追従・高品質 motion・安定した long-horizon control を同時に達成しにくい。 - SCRIPT は text alignment・motion quality・physical realism の指標で prior state-of-the-art を上回る。 - 大規模 pre-training に向けた robust な scalability を示す。 - 具体的な比較対象手法名は要旨からは不明。

JAST-DiT が action・physical state・text を dedicated token stream として扱い、joint attention で言語意味と制御 dynamics を直接相互作用させる。 - nonlinear history conditioning で直近の密な context を保持しつつ、長期 history からは徐々に sparse な cue をサンプリング。 - post-training の RLHR は flow-sampling 過程に learnable noise を注入し、closed-loop simulation 内で hybrid physical feedback と text reward を用いて motion quality と instruction following を改善。

定量評価で SCRIPT が prior state-of-the-art を上回り、text alignment・motion quality・physical realism の各指標で改善を示す。 - 1200-hour MotionMillion dataset での scaling 研究により、model scaling に伴う一貫した性能向上を確認。 - 詳細な実験設定・ベースライン・評価プロトコルは要旨からは不明。

semantic expressiveness と physical feasibility の両立、long-horizon control の安定性が課題として議論されている。 - RLHR による closed-loop simulation 内での改善が主張されるが、実機転移や sim-to-real gap への言及は要旨からは不明。 - 計算コスト、学習安定性、reward design の詳細な議論は要旨からは不明。

要旨で参照/比較されている具体的な prior 研究名は明記されていない。 - 関連手法として diffusion policy、physics-based humanoid control、language-conditioned control、Reinforcement Learning with Hybrid Rewards (RLHR)、MotionMillion dataset が挙げられる。 - 同分野の定番として diffusion policy や humanoid control に関する代表的論文を次に読むべき。