実世界データなしで多様な人間型ロボットタスクを学習する合成ビデオシナリオ

人間型ロボットは人間に似た形態から、敏捷で多用途な運動能力の可能性を秘めているが、複雑なスキルの獲得は大きな課題である。従来の模倣学習（Learning-from-Demonstrations）手法は、実世界データ収集の高コスト、動作固有の行動捕捉の難しさ、個人間でのデモンストレーションの多様性不足に制約されてきた。さらに、同じタスクであっても人間は複数の異なる方法で動作を実行することがある。この問題に対処するため、Yun-Hao Tsaiらの研究チームは、生成AIを活用した新しいフレームワークを提案した。このフレームワークは、テキストプロンプトを入力として、現実的かつ多様な人体動作シーケンスを生成する。例えば、「コップを掴む」というテキストから、掴み方や速度、体の向きが異なる複数のバリエーションを合成ビデオとして出力する。ロボットはこれらの合成デモを観察し、タスクの目標と多様な実行スタイルを学習する。これにより、直接的な人間の介入や実データ収集を必要とせずに、幅広いタスク実行スタイルを獲得できる。研究チームは4つのシミュレーションシナリオで提案手法を評価した。シナリオは難易度や動作の複雑さが異なり、物体の位置変更や外乱などの変化も含まれる。実験結果は、ロボットがタスクを成功裏に完了するだけでなく、複雑な動作変動に対して強い適応性を示し、未訓練のバリエーションにも一般化できることを明らかにした。本研究成果は2026年のIEEE/ASME先端インテリジェントメカトロニクス国際会議（AIM）で受理されており、人間型ロボットの技能獲得における重要な進展と位置づけられる。このフレームワークは、データ収集コストの削減と学習の多様性・ロバスト性向上に寄与し、サービス、産業、探査など様々な分野での人間型ロボットの実用化を加速することが期待される。今後は実機での検証や、強化学習との組み合わせなどが計画されている。