ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
香港科技大学のチームはプレプリントで、身長1.32mのユニツリーG1向けに学習した全身制御モデルSONICを、GPU1枚、約8時間で身長1.82mのユニツリーH2に移植したと報告した。SONIC自体の学習には約2万1000GPU時間を要しており、他機種でも再現できれば、機体の世代交代ごとに制御モデルを一から学習し直す必要が薄れる。
エヌビディアの研究チームは、人による実演なしに「組み立てに成功したかどうか」の信号だけで、シミュレーション上の1本のロボットアームがNIST標準組立ボードの全20課題を成功率98.2%で習得したとするプレプリントを公開した。結果はすべてシミュレーション上のもので、実機の組立ボードで同じ性能が出るかは今後の検証に委ねられている。
RoboBridgeは、シミュレーションで獲得した実行可能なタスク手続きスキルを実機へ移行し、実環境のフィードバックで継続的に改訂する自己進化エージェントフレームワークである。LIBERO-PROでは全体成功率74.4%を達成し、既存のHarness VLAの72.1%を上回り、実機3タスクではシミュレーション由来スキルの直接移行後に実機進化で最大15/15まで改善した。本論文はarXivプレプリントであり、査読済みではない。
一つのプロンプトでヒューマノイドにダンスをまねさせたり、姿勢をとらせたり、報酬を追わせたりできる全身制御モデルは、ロボット1台ごとに100GPU時間を超える学習が要る。VinRobotics、シンガポール国立大学、独ダルムシュタット工科大学によるこのプレプリントは、ユニツリーのG1向けモデルをBoosterのT1、FourierのN1、自社開発のM3へ、共通エンコーダーの1時間未満と1台あたり10GPU時間未満の学習で移し、追従精度は専用制御器とほぼ同等だった。
RL policies trained in GPU simulation transfer zero-shot to a commodity humanoid on rough terrain.
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。