日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

遠隔操作/人型ロボットarXiv:2607.02332

HEFT: 特権的動作ガイダンスとウィンドウ型ペイロードカリキュラムによる重量物対応フルサイズ人型ロボットの遠隔操作

HEFT: Heavy-Payload Full-size Humanoid Teleoperation with Privileged Motion Guidance and Windowed Payload Curriculum

シェア:XThreadsFacebookLINEはてブBluesky

重量物を持ったフルサイズ人型ロボットの遠隔操作を実現するフレームワークを提案。ノイズの多いVRトラッカー参照から物理的に妥当な動作を学習し、段階的に重量を増やすカリキュラムで最大24kgのペイロード追従を達成した。

詳しい要約

1. どんなもの?

HEFTは、重量物を扱うフルサイズのヒューマノイドロボットの遠隔操作フレームワークである。VRトラッカーからのノイズを含む参照動作を、物理的に妥当な参照動作へ再構成するPrivileged Motion Guidance (PMG)と、専門家によるガイド付きの荷重上限を持つWindowed Payload Curriculum (WPC)を用いて、ロバストな重量物追従を学習する。175cm・65kgのヒューマノイドL7に実装され、最大24kgのペイロードで、旋回、前進/後進、スクワットなどの動作を追従する。

2. 先行研究と比べてどこがすごい?

既存の遠隔操作フレームワークは、コンパクトなプラットフォームや実ペイロードなしで検証されることが多く、フルサイズのヒューマノイドでの実ペイロード操作は未開拓だった。HEFTは、フルサイズのヒューマノイドが持つ大きな慣性と狭いバランスマージンによるノイズ・ドリフト・リターゲティング誤差への敏感さに対処し、ペイロードの可能性を活用する点で先行研究より進んでいる。

3. 技術・手法の肝は?

手法の核は、PMGとWPCの2つ。PMGは、展開可能なノイズを含むVR参照から、物理的に妥当な参照動作を再構成して学習に用いる。WPCは、専門家によるガイド付きの荷重上限を設け、段階的にペイロードを増やすカリキュラム学習を導入することで、ロバストな重量物追従を獲得する。

4. どうやって有効だと検証した?

フルサイズのヒューマノイドL7(175cm、65kg)にHEFTを実装し、最大24kgのペイロード条件下で、旋回、前進/後進、スクワットなどの動作追従を検証した。

5. 議論はある?

要旨からは、ノイズやドリフトへの対処法の詳細、PMGの再構成手法の具体的な実装、WPCのカリキュラム設計の詳細、他のロボットへの一般化、実環境での長期的な安定性などについては不明。また、VRトラッカーのノイズ特性やリターゲティング誤差の影響をどの程度軽減できたかの定量的評価も要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている先行研究は明示されていないが、関連する分野として、ヒューマノイドの遠隔操作、模倣学習、カリキュラム学習、VRベースの動作追跡などが挙げられる。具体的には、"Whole-body teleoperation"、"Imitation learning for humanoids"、"Curriculum learning in robotics"、"VR-based motion retargeting"などの研究が関連する。

※ 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: Chenxin Liu, Qingzhou Lu, Guangxiao Yang, Xuanyang Shi, Chenghan Yang, Yanjiang Guo, Jianyu Chen

分類: cs.RO

原文アブストラクト

General motion tracking and teleoperation offer a promising path to scalable humanoid skill acquisition, yet most existing frameworks are validated on compact platforms or without real payload interaction, leaving full-size humanoids with real payloads largely unexplored. Scaling to full-size humanoids introduces two compounding challenges: their larger inertia and tighter balance margins make tracking highly sensitive to noise, drift, and retargeting errors from commodity VR trackers, while their payload potential remains largely underutilized. We present HEFT, a heavy-payload full-size humanoid teleoperation framework that addresses both challenges. HEFT learns from deployable noisy VR references with physically plausible reconstructed references through Privileged Motion Guidance (PMG), and uses a Windowed Payload Curriculum (WPC) with expert-guided payload caps to acquire robust heavy-payload tracking. We deploy HEFT on L7, a 175cm, 65kg humanoid. The robot tracks motions including turns, forward/backward locomotion, and squats under payloads up to 24kg.

  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