Behavioral Foundation Models（BFM）は、大規模なモーションデータセットを基に、物理的に妥当な多様な行動を潜在空間へと組織化することで、汎用的な物理ベースのキャラクター制御へ向けた有望な道筋を示している。しかし、arXiv で公開された新論文「BFMTrack: Latent Sequence Optimization for Physics-Based Motion Tracking with Behavioral Foundation Models」は、この潜在空間の設計が時間不変のタスクには適していても、モーション系列の追跡のように時間とともに変化する目標を直接扱えないという課題を指摘する。本論文は Thomas Rupf 氏ら 7 名による共著で、2026 年 6 月 23 日に投稿され、ロボティクス（cs.RO）に分類されている。
問題の核心は時間軸にある。BFM はゴール到達や状態ベースの報酬最適化といった、目標が時間によって変化しないタスクでは優れた性能を発揮する。これらのタスクでは潜在空間上の一点が行動全体を記述できるからだ。一方、モーション追跡は各時刻で参照モーションに一致する必要があり、時間とともに変化する目標となる。既存の手法は移動窓平均というヒューリスティックに頼っており、窓内の潜在表現を平均してキャラクターを駆動する。著者らは、この平均化が動きの激しいモーションに含まれる微妙なニュアンスを失わせ、特に高速で複雑な動作において追跡精度を損なうと主張する。
この欠陥に対処するため、著者らは Latent Sequence Optimization（LSO、潜在系列最適化）と呼ぶ新手法を提案する。報酬関数を手作業で設計するのではなく、シミュレーションロールアウトとポリシー勾配更新を組み合わせ、潜在系列そのものを直接最適化する。具体的には、潜在系列に駆動されたポリシーをシミュレーション内で実行してロールアウトを得て、その結果を用いて系列全体の潜在表現をポリシー勾配で更新する。これにより BFM の能力を時間不変タスクから精密なモーション追跡へと拡張し、報酬エンジニアリングや煩雑なチューニングを不要にする。
さらに、最適化によって得られる潜在軌道を滑らかで一貫性のあるものにするため、著者らは時間相関ノイズを用いて潜在系列をモデル化する。この設計は、隣接する時刻の潜在表現が急激に変動するのを避け、時間的に連続した解へ最適化を導くことで、より自然で安定した動作を生成する狙いがある。論文は、この潜在系列のモデル化が結果の品質を左右する重要な要素であり、単なる実装上の詳細ではないと強調している。
検証は三つのシナリオで行われた。密な追跡、疎なキーフレーム、そして実機ヒューマノイドロボットへの直接展開である。密な追跡はフレームごとの連続した参照モーションに対応し、疎なキーフレームは少数のキーポーズ制約のみから妥当な動作を補完できるかを試す。実機展開は、シミュレーションから物理ハードウェアへ移行した際の実現可能性を確認するものである。これら三つの検証は、データが密な場合から疎な場合まで、またシミュレーションから現実までを含む多面的な評価であり、LSO が単なる概念実証にとどまらないことを示している。
全体として、本研究は BFM が時間変化する目標を扱えないという空白に対し、系列最適化と潜在空間制御を組み合わせ、時間相関ノイズによる軌道モデル化を加えた的を絞った解決策を提示する。報酬エンジニアリングを必要としない実用的な精密モーション追跡の道筋を示すものであり、論文の全文・PDF・実験的 HTML 版は arXiv で公開され、DOI は 10.48550/arXiv.2606.25056、バージョンは v1、全文サイズは約 8.4 MB である。