ボストンダイナミクスとトヨタ系研究所、4億5000万パラメーターの行動モデル1つでAtlasの手足を同時制御

米ボストンダイナミクスとトヨタ自動車傘下のトヨタリサーチインスティテュート（TRI）は8月20日、単一の「大規模行動モデル（LBM）」で人型ロボット「Atlas」の歩行と手作業を同時に制御する実演映像を公開した。両社が2024年10月に結んだ共同研究契約の初の公開成果となる。

ボストンダイナミクスが同日、自社ブログに掲載した技術解説によると、モデルはパラメーター数4億5000万の拡散トランスフォーマーで、フローマッチング手法で学習した。毎秒30回（30Hz）動作し、頭部に搭載した2台のHDRステレオカメラの画像、関節などの状態、自然言語の指示を入力として、1.6秒分にあたる48個の動作を一度に予測する。そのうち24個を実行した後に再び推論する。

要点は制御構造にある。トヨタの米国ニュースルームに掲載された共同発表によると、同様の動きを見せた従来の人型ロボットは、歩行やバランスの制御と腕による操作を分けて扱うのが一般的だった。今回は1つのLBMがロボット全体を直接制御し、手と足をほぼ同じように扱うという。出力には両グリッパー、首の回転、胴体の姿勢、両手両足の位置姿勢が含まれる。

映像の作業は同社が「Spotワークショップ」と呼ぶものだ。言語指示を受ける単一の方策が、台車から四足ロボット「Spot」の脚を取り出して折りたたみ棚に置き、下段の棚から引き出したケースにSpotの前面カバーを入れ、青いケースの部品を運搬台車に移す。研究者が途中で箱のふたを閉めたり、箱を床の上で滑らせたりしても、Atlasはプログラムを変えずに自ら動きを修正したという。

同社はAtlasと、上半身だけを取り出した試験装置「Atlas MTS」で数十種類の作業を検証したと説明した。ロープを結ぶ、バースツールを裏返す、テーブルクロスを広げる、ブロックを積む、Tシャツをたたむ、22ポンド（約10キロ）の自動車用タイヤを扱うといった例を挙げた。自由度はAtlasが50、MTSが29で、グリッパーは1つあたり7だ。

学習データは、作業者がVR機器を装着してロボットを遠隔操作して集める。遠隔操作システムは同社のモデル予測制御（MPC）を土台とし、足の追跡装置を加えて歩行やしゃがみ込みも教えられるようにした。学習にはAtlasとMTSの実演データ、TRIの「Ramen」データ、シミュレーションデータを併用した。落ちた部品を拾い直すといった回復動作は、実演データを追加して再学習するだけで実現し、アルゴリズムや設計の変更は不要だったという。

推論時に予測軌道内の時間配分を調整することで、再学習なしに方策を1.5～2倍の速度で実行しても性能は大きく落ちなかったとも明らかにした。一方、遠隔操作データの総時間や作業ごとの成功率は公表していない。

ボストンダイナミクスのロボティクス研究担当副社長、Scott Kuindersma氏は、1つのニューラルネットワークに多くの長時間作業を学ばせることで汎化性能が高まると述べた。TRIで大規模行動モデルを統括するシニアバイスプレジデントのRuss Tedrake氏は、従来のプログラミング手法では人型ロボットの作業を拡大できなかったとし、LBMが強くなるほど少ない実演でより頑健な動作が得られると語った。

ボストンダイナミクスは2021年6月、韓国の現代自動車グループが企業価値11億ドルで株式の80％を取得し、ソフトバンクが20％を保有する体制となった。会社概要ではAtlasを、SpotやStretchと並ぶ「開発中」の電動人型ロボットと位置付けている。TRIは2016年設立で、ギル プラット氏が率いる。

競合をみると、米Figure AIが2025年2月に公表した「Helix」は70億パラメーターの視覚言語モデルと200Hzで動く8000万パラメーターの制御器を組み合わせる。米エヌビディアの「GR00T N1」は22億、米Physical Intelligenceの「pi0」は33億パラメーターだ。Atlas LBMははるかに小さいが、脚と手を同じ出力で制御すると開発側は説明する。人手不足が深刻な日本の製造現場にとっては、新しい作業をプログラムではなく実演で教えられるかどうかが導入判断の焦点になる。