ヒューマノイドロボットの高精度制御を妨げる主要な要因の一つは、目標ドメインにおける動力学の不一致である。地形、ペイロード、アクチュエータ応答が変化すると、同じ制御目標でも実際に生じる運動は異なってしまう。既存手法は、ドメインランダム化によるゼロショット転移、目標ドメインに特化しないインコンテキスト適応、あるいはモデル校正・残差学習・ポリシー再訓練といった目標ドメインデータを必要とする重い適応パイプラインに依存している。これに対し、arXiv論文が提案するFADA（Few-Shot Domain Adaptation via Dynamics Alignment）は、ヒューマノイド制御のための少数ショットドメイン適応フレームワークである。
FADAは、プランナーと逆動力学モデル（Planner-IDM）からなる3段階のアーキテクチャを採用する。まず特権情報を用いてオラクルポリシーを訓練し、次にDAggerを通じてオラクルの振る舞いを展開可能なPlanner-IDM学生モデルに蒸留する。この設計により、高レベルの計画と低レベルの動作生成が分離され、展開時の適応がモジュール化される。
展開段階では、FADAはプランナーを凍結し、逆動力学モデルのみを標準的な教師あり学習で微調整する。必要なデータは約2分間の目標ドメインrolloutのみである。最適なデモンストレーションや報酬を必要とせず、これらのrolloutで観測される動作と観測のペアを直接教師信号として利用し、IDMの動作生成を目標ドメインの動力学に整合させる。この軽量な適応手法により、複雑なモデル校正やポリシー再訓練を回避できる。
実験では、FADAが動力学シフト下でインコンテキスト適応およびエンドツーエンド適応のベースラインを上回り、タスク性能を向上させることが示された。さらに、実機のヒューマノイドロボットが多様な高精度全身タスクを実行できることも確認されている。実装の詳細とハードウェアrolloutの映像はプロジェクトページ（https://lecar-lab.github.io/FADA-humanoid/）で公開されている。本論文はAngchen Xieら6名によるもので、2026年6月26日に投稿され、ロボティクス（cs.RO）分野に属する。