SUGAR は、多様な人間の動画を、実機に展開可能なヒューマノイドの全身移動・操作（ロコ・マニピュレーション）スキルへ変換することを目指す、スケーラブルなデータ駆動型学習フレームワークである。本論文は arXiv:2605.20373 として 2026 年 5 月 19 日に投稿され、Tianshu Wu 氏ら計 8 名による成果で、ロボティクス（cs.RO）を主分野としつつ、人工知能（cs.AI）およびコンピュータビジョンとパターン認識（cs.CV）にもまたがる内容となっている。解決すべき課題は、実世界で汎化可能な全身の移動・操作を実現するヒューマノイドロボットの構築が、依然として根本的な難問であるという点にある。
著者らは、既存手法の限界を三つに整理している。第一に、タスクごとに膨大な報酬設計を必要とする手法であり、各タスク用の報酬関数を人手で作り込むためコストが高く、他タスクへ移行しにくい。第二に、参照モーションを固定的に再生する手法で、あらかじめ与えられた軌道をなぞるだけであり、新しい状況への汎化が効かない。第三に、高コストなテレオペレーションに依存する手法で、データ収集が人的・ハードウェア的制約を受け、スケールしない。一方、人間の動画は多様な行動を記録しており魅力的なデータ源だが、そこから推定される運動事前分布は本質的に不完全で、オクルージョン、接触に起因するアーティファクト、リターゲティング誤差といった問題を含むため、方策学習に直接使うことはできない。
この矛盾に対処するため、SUGAR は三つの段階からなる枠組みを提案する。最大の特徴は、タスク固有の報酬設計を一切必要とせず、推論時に参照モーションを条件としない点である。第一段階では、完全自動のパイプラインが非構造化な人間動画から、人間と物体の運動軌跡や接触ラベルといった運動学的な相互作用の事前情報を抽出する。第二段階では、物理に基づく「特権的」リファイナが、統一された模倣報酬と漸進的な状態プールを用いて、不完全な事前情報を物理的に実行可能で高忠実度なスキルへと変換する。第三段階では、精錬されたスキルを、コマンド生成器とコマンド追従器からなる階層型の自律方策へと蒸留する。
評価は、シミュレーション環境と実機のヒューマノイドハードウェア上で、代表的な六つの移動・操作タスクを対象に行われた。その結果、SUGAR は参照追従型のベースライン手法を大幅に上回り、人間動画データ量の増加に伴って性能が明確に向上するスケーリング特性を示した。さらに、実世界へのゼロショット転移を達成し、信頼性の高い閉ループ実行、自律的な故障からの復帰、外部外乱下での安定した長時程の性能を実現している。プロジェクトページ（https://tianshuwu.github.io/sugar-humanoid/）も公開されている。本稿は 2026 年 5 月 19 日 18:24:05 UTC 投稿の v1 であり、全文は約 41,710 KB、DOI は DataCite により発行予定である。