全身テレオペレーションは、移動を伴う操作タスクにおいてロボットデータをスケーラブルに収集するために不可欠である。しかし、外骨格スーツや複数カメラに依存する既存手法は、コスト、複雑さ、環境制約の面で大きな負担を強いる。単一の拡張現実（XR）デバイスとエンドツーエンドの強化学習ポリシーを用いる最近の手法はこうした制約を部分的に緩和するが、ロボット固有の再学習が必要で、分布外の状況で失敗しやすく、動的実現可能性を考慮しない運動リターゲティングに依存している。本論文は、ロボット固有のポリシーを再学習することなく多様なロボット形態に汎化する、単一XRデバイス駆動の階層型全身テレオペレーションフレームワークX-OPを提案する。
中核となるのはモデル予測制御（MPC）ベースの運動リターゲティングである。これは操作者の意図への整合とロボットの動的実現可能性を同時に最適化し、既存の低レベルコントローラに対する最適な指令を生成する。人間の動きからロボットの動きへの写像をオンラインで解く最適化問題として扱うことで、操作の自然さと物理的な実現可能性を両立させている。
オンライン実行の堅牢性を確保するため、著者らは状態同期手法を導入する。各MPCステップでシミュレータ状態をリセットすることで、実世界の測定ノイズや接触への敏感さに対処する。さらにSLAMベースのグローバル姿勢フィードバックを統合し、長時間動作における累積ドリフトを抑制してテレオペレーションの安定性を保つ。
シミュレーション結果では、全身制御タスクにおいてベースラインより高い成功率が示された。ヒューマノイドではタスク完了時間が30%以上短縮され、消費電力が20%削減された。移動マニピュレータでは衝突ゼロを達成した。実世界実験でも有効性と柔軟性が確認され、提案リターゲティングはヒューマノイドと移動マニピュレータの両プラットフォームに展開されて全身制御タスクを成功裡に遂行し、ユーザーが好みに応じてテレオペレーション動作を容易に調整できることも示された。
X-OPはプラグアンドプレイのフレームワークであり、全身ロボットテレオペレーションに対してスケーラブルで形態非依存のソリューションを提供する。リアルタイムの動作カスタマイズを可能にし、多様なプラットフォームへの幅広い適用が期待される。本論文は2026年6月6日に投稿され、ロボティクス（cs.RO）分野に属し、9ページ・図4点で構成されている。