言語条件付きヒューマノイドロボット制御の分野では、自然言語が直感的なインターフェースを提供する一方で、全身制御のストリーミング実行には、即座に実行可能でありながら将来の物理的遷移を予測できる表現が必要とされる。既存の手法は通常、運動学的参照を生成し、低レベルのトラッカーが受動的に修正するか、潜在行動ポリシーを使用するが、その出力は今後の接触変化、支持移動、バランス準備を明示的に符号化しない。この課題に対処するため、上海交通大学などの研究者らは、言語生成と閉ループ制御の間の予測的関節意図インターフェースを学習する階層的フレームワークDAJI（Dynamics-Aligned Joint Intent）を提案した。
DAJIフレームワークは、DAJI-ActとDAJI-Flowの2つの主要コンポーネントから構成される。DAJI-Actは、将来を認識する教師モデルを学生駆動のロールアウトによって展開可能な拡散行動ポリシーに蒸留する。これにより、ロボットは現在の動作に将来の状態の予測を組み込むことができる。一方、DAJI-Flowは、現在の言語命令と意図履歴から将来の意図チャンクを自己回帰的に生成し、連続的な命令のストリームに追従することを可能にする。この設計により、ロボットは現在の動作を実行しながら、後続の関節状態を事前に計画し、動作の一貫性と安定性を確保する。
研究チームは複数の標準ベンチマークでDAJIを評価した。実験結果は、HumanML3Dスタイルの人体動作生成タスクにおいて、DAJIが94.42％のロールアウト成功率を達成し、ベースライン手法を大幅に上回ったことを示している。BABEL行動認識データセットでは、DAJIのサブシーケンスFIDスコアは0.152と低く、生成された動作シーケンスが現実のデータに近いリアリティと多様性を持つことを示している。さらに、単一命令生成およびストリーミング命令追従タスクでも優れたパフォーマンスを発揮し、予測的潜在学習における有効性が確認された。
この研究の主な貢献は、将来の物理状態変化を明示的に符号化する制御表現を提案し、低レベルトラッカーの修正負担を軽減するとともに、言語誘導によるヒューマノイドロボットの全身制御に新たな道を開いたことにある。今後の研究方向としては、より複雑なインタラクションシナリオへのDAJIの拡張や、より豊富なセンサーフィードバックの統合によるロバスト性の向上が考えられる。本研究はHaozhe Jia氏らにより2026年5月にarXivに提出され、ロボティクスとコンピュータビジョンの交差領域に位置づけられる。