PRIMO: 人間動作追従に基づく事前情報活用型オドメトリ for ヒューマノイドロボット

ヒューマノイドロボットの自己受容感覚オドメトリを、人間の動作追従から得た事前情報で改善する手法 PRIMO の提案。 - シミュレーションで人間の retargeted motion をヒューマノイドに追従させ、odometry の教師信号を生成。 - 展開ポリシーから教師を切り離し、訓練動作分布を拡大。 - Prior-Informed estimator により速度・回転予測を構造化し、sim-to-real 汎化を強化。 - 実機プロトコルで平均誤差を 31.6%–61.7% 低減。

従来の simulation-trained proprioceptive odometry の課題を解決。 - 従来は展開用ポリシーが生成する限定的な軌道で訓練され、動作分布が狭い。 - また sim-to-real ギャップで制約なし予測が不安定。 - PRIMO は人間動作追従で教師を生成し、展開ポリシーから独立。 - 物理・対称性事前情報と raw-context pathway で汎化を強化。 - 実機で最強外部ベースライン比 31.6%–61.7% の誤差低減。

データ側とモデル側の二本柱。 - データ: シミュレーションで人間の retargeted motion をヒューマノイドに追従させ、odometry 教師を生成。 - モデル: Prior-Informed estimator が物理・対称性に基づく事前情報で速度・回転予測を構造化。 - coarse raw-context pathway でセンサ文脈を符号化特徴と併存させ、sim-to-real 汎化を強化。 - Tracking-Locomotion 訓練によりポリシー間の対称クロスオーバーを低減。

統一実機プロトコルで検証。 - 各領域・指標で最強外部ベースライン比 31.6%–61.7% の平均誤差低減。 - 2 つの locomotion-policy 改訂で、ポリシー専門家は対称クロスオーバーを示すが、Tracking-Locomotion 訓練は反対ポリシーのシミュレーション平均誤差を 86.8%–94.6% 低減。 - 実機動的動作で、両展開ポリシーの和集合訓練比 69.2%–81.7% の平均誤差低減。 - テストした動作構成で Prior-Informed estimator は Unconstrained 版よりシミュレーション・実機とも平均軌道誤差を低減。

要旨からは不明。 - 限界や失敗事例、計算コスト、一般化範囲についての議論は記載なし。 - 実機プロトコルの詳細や被験者数なども要旨からは不明。

要旨で参照・比較されている研究や関連手法。 - 最強外部ベースライン（具体的名称は要旨からは不明）。 - Unconstrained counterpart（制約なし推定器）。 - 展開ポリシー（locomotion-policy）と Tracking-Locomotion 訓練。 - 同分野の定番として simulation-trained proprioceptive odometry、sim-to-real transfer、human motion retargeting 関連の研究。