複雑な全身ロコマニピュレーションでは、単一の長期的タスクの中で、しゃがむ、把持する、移動するといった多様な動作を連続して実行する必要がある。単純なピックアンドプレースはすでに確立されているが、複雑で長期的なタスクへ拡張することは依然として難しい。現在この課題は、人間の動作データとそれに対応するヒューマノイドプラットフォームに依存することで対処されているが、プラットフォームの独立性が制限され、データ処理の大きなオーバーヘッドも生じる。
これに対し、Simone Manni氏ら著者は位相条件付き方策最適化という手法を提案する。近接方策最適化（PPO）を拡張し、タスクの事前構造を利用して行動を形成することで、多様なロボットハードウェアにまたがる多段階タスクを単一の方策で学習する。
具体的には、PPOに対して三つの変更を加える。現在のタスク段階を認識できる位相条件付きクリティック、対応する段階でのみ有効になる位相ゲート付き報酬関数、そして探索を段階的に導く多段階リセットカリキュラムである。
ハードウェアの差異に対応するため、著者らは低レベルのバランス動力学と高レベルの位相実行を分離する疎結合な階層制御アーキテクチャを採用している。これにより、同じ高レベル方策の論理を異なる形態のロボットに適用できる。
著者らはUnitree G1、およびマニピュレータを搭載したBoston Dynamics Spotの実機上で多段階のロコマニピュレーション技能を実証し、アブレーション実験を通じて各設計上の選択の効果を検証した。本手法は環境との相互作用のみを通じて複雑な行動を獲得し、高レベルのタスク構造を方策学習に直接組み込むため、外部の人間動作データへの依存を避けられる。
本論文はロボティクス（cs.RO）分野に属し、arXiv:2610.36270として2026年10月26日に投稿された。全文サイズは約5,987 KBである。