GRAFT: 基盤トラッカー向け幾何認識型残差適応

- ヒューマノイド向け Behavior Foundation Model (BFM) を対象とした、地形適応のための枠組み GRAFT の提案。 - BFM は kinematic reference から全身の関節指令を生成し、motion replay・teleoperation・VLA control に使える再利用可能な prior を提供する。 - しかし平坦地面中心の学習のため、foot placement・swing clearance・contact timing を局所地形に適応させる仕組みを欠く。 - GRAFT は frozen な behavior tracker に対する geometry-aware residual adaptation framework。 - BFM パラメータと motion-reference interface を保持し、軽量 adapter が下半身の実行目標にのみ地形条件付き補正を加える。

- 既存の地形対応 BFM 手法の多くは、tracker を perception と共に再学習・fine-tuning するため、データと計算コストが大きく、通常の tracking を perception 経路に結合してしまう。 - GRAFT は BFM を凍結したまま、軽量 adapter による下半身実行目標の補正のみで地形適応を実現する点が異なる。 - 凍結 BFM が全身 reference tracking と nominal locomotion を既に提供するため、地形学習を focused execution-adaptation 問題に縮約できる。 - 平坦地面では不要な補正を抑える regularization を導入している点も特徴。

- 凍結した BFM (behavior tracker) をそのまま用い、motion-reference interface を維持。 - 軽量 adapter が lower-body execution targets に terrain-conditioned corrections を付加。 - adapter の学習要素: - task reward と foot-geometry reward による学習。 - 平坦地面での不要な補正を抑制する regularization。 - privileged terrain observations から onboard depth への distillation。 - これにより地形学習を execution-adaptation に限定する設計。

- 4 つの frozen tracker に GRAFT を実装し、simulation で stairs・gaps・platforms を評価。 - Unitree G1 への実機展開も実施。 - 適応した SONIC tracker が onboard depth と未変更の references を用いて地形を踏破したと報告。 - 定量的な比較指標や baseline 詳細は要旨からは不明。

- 凍結 BFM を活用することで再学習コストと perception 経路との結合を避ける設計上の利点を主張。 - 一方、以下の議論・限界は要旨からは不明: - adapter の汎化性や未知地形への対応。 - distillation による性能差や onboard depth の品質依存性。 - 実機評価の規模・定量的な成功率。 - 上半身への影響や他 BFM への移植性。

- 要旨で参照・比較されている研究: terrain-aware BFM approaches、perception と共に tracker を再学習/fine-tuning する手法群。 - 具体名として登場: SONIC tracker、Unitree G1。 - 関連手法として挙げられる一般名: Behavior Foundation Model (BFM)、residual adaptation、privileged learning / distillation、VLA control。 - 個別論文名は要旨からは不明。