キモード・ポリシー：ヒューマノイドの移動操作のための運動学的アクションモデル学習

- ヒューマノイドの loco-manipulation のための新しい学習パラダイム Kinematic Action Models (KAMs) を提案する論文。 - 全身運動そのものを直接の pretraining target とし、pretrained motion generator を主要な action-generation backbone として用いる。 - 初期実装 Kimodo-Policy は、frozen の Kimodo text-to-motion backbone と軽量な ControlNet-based visual conditioning を組み合わせる。 - 678M parameters（うち 92M trainable）のポリシーで、多タスク HumanoidArena や実世界タスクを評価。

- vision-language-action models や world action models は意味論・視覚力学の prior を転送するが、ロボット運動の構造を必ずしも捉えないと指摘。 - 本研究は運動生成そのものを事前学習対象とする点が異なる。 - 比較ポリシー中で HumanoidArena の総合成功率が最高（72.14%）と報告。 - ablation により pretrained motion backbone の寄与を支持。

- 全身運動を直接 pretraining target とする KAMs パラダイムを導入。 - pretrained motion generator を action-generation backbone として使用。 - Kimodo-Policy は frozen の Kimodo text-to-motion backbone に ControlNet-based visual conditioning を付加。 - root-body-hand hierarchy で locomotion と manipulation を協調。 - motion-history conditioning と repeated action-chunk prediction で motion synthesis と closed-loop control を橋渡し。 - 大規模 loco-manipulation pretraining を実施。

- 多タスク HumanoidArena で比較ポリシー中最高の総合成功率 72.14% を達成。 - SIMPLE で競争力のある性能を確認。 - 実世界 8 タスクで平均成功率 60% を報告。 - ablation により pretrained motion backbone の寄与を支持。

- 運動生成がヒューマノイドの action learning の補完的 foundation になり得る初期証拠を提示。 - ただし著者自身が『initial evidence』と位置づけており、限定的な検証と読める。 - 具体的な限界や失敗事例、計算コストの議論は要旨からは不明。

- 要旨で参照/比較されている vision-language-action models、world action models、Kimodo text-to-motion backbone、ControlNet。 - 関連手法として HumanoidArena、SIMPLE のベースライン比較ポリシー。 - 同分野の定番として behavior cloning 系の模倣学習や強化学習ベースの loco-manipulation 研究も次に読む候補。