ヒューマノイドロボットの移動能力において、歩行から走行への移行は重要な課題です。従来のアプローチでは、歩行スケジュールの設定、モーションクリップの模倣、複数のエキスパートポリシーの訓練と切り替え、またはスキル蒸留などが用いられてきましたが、これらは連続的な速度指令や多様な地形、異なる形態に対する柔軟性に限界がありました。例えば、事前定義された歩行パターンは速度変化に適応できず、複数エキスパートの切り替えは遅延や安定性の問題を引き起こします。
Kwan-Yee Linらの研究チームは、GaitSpanフレームワークを提案しました。このフレームワークは、事前学習済みの基本歩行ポリシーを「種スキル」として利用し、以下の3つの側面からより高速な移動能力へと拡張します。第一に、リズム生成では、複数の内部時計によって凍結された歩行ポリシーを変調し、速度指令に応じた規範動作の組み合わせを学習します。内部時計の速度と位相は独立に調整可能であり、ロボットは歩行周期内でリズムを柔軟に変更できます。第二に、ストライド整形では、ばね-質量倒立振子のダイナミクスに着想を得た物理ベースの目的関数を用いて、高い指令速度に適した動的歩行パターンを促進します。この目的関数は手作業の軌道を不要にし、ロボットが効率的なエネルギー利用パターンを自然に発展させることを可能にします。第三に、残差適応では、リズム生成やストライド整形では捉えきれない動作の詳細（足首の微調整や胴体の姿勢補償など）を補正し、歩行の安定性と流動性を確保します。
GaitSpanの最大の成果は、歩行、ジョギング、走行のような領域を連続的な速度範囲でカバーする単一の指令条件付きポリシーを初めて実現したことです。このポリシーは異なる形態間で転用可能であり（例：軽量小型ヒューマノイドから重量級全サイズロボットまで）、未経験のシミュレーション環境や実世界の地形（斜面、砂地、不整地）にもゼロショットで展開できます。マルチエキスパートや人間の模倣に基づくベースラインと比較して、学習が速く（数時間で収束）、速度追従誤差やエネルギー消費において大幅な改善を示しました。
この研究は、ヒューマノイドロボットの運動スキル成長に関する新たな道を開き、災害救助、探査、サービスなど、より柔軟で効率的な移動が求められる分野への応用が期待されます。本論文はarXivに提出され、プロジェクトページも公開されており、研究者は参照や再現が可能です。このスキル成長アプローチにより、ヒューマノイドロボットは基本歩行から複雑な運動パターンへと自然に拡張でき、毎回ゼロから学習する必要がなくなります。これにより学習効率が大幅に向上し、実世界での適応性が強化されます。今後の課題としては、重量物運搬や障害物越えなど、より複雑なタスクへのGaitSpanの適用が考えられ、ヒューマノイドロボットの実用化をさらに促進するでしょう。