Lujie Yang Xiaoyu Huang Zhen Wu Angjoo Kanazawa Pieter Abbeel Carmelo Sferrazza et al

要約

人間型ロボットに複雑なスキルを教えるための主流なアプローチは、人間の運動を運動学的参照として再ターゲティングし、強化学習（RL）ポリシーの学習に活用することである。しかし、従来の再ターゲティングパイプラインは、人間とロボットの間にある大きな身体的差異（embodiment gap）に対処できず、足の滑りや透過（penetration）など物理的に不自然なアーティファクトを生じがちである。さらに重要なこととして、一般的な再ターゲティング手法は、表現性のある歩行やロコマニピュレーションに不可欠な、人間と物体、人間と環境との豊かな相互作用を無視している。この課題に対処するため、本研究では「OmniRetarget」という新しいデータ生成エンジンを提案する。OmniRetargetは、エージェント、地形、操作対象物の間の重要な空間的関係および接触関係を明示的にモデル化・保持する「インタラクションメッシュ」に基づくものであり、これらの相互作用を維持する。人間とロボットのメッシュ間のラプラシアン変形を最小化しつつ運動学的制約を強制することで、運動学的に実現可能な軌道を生成する。また、タスクに必要な相互作用を保持することで、単一のデモンストレーションから、異なるロボットのボディ形状、地形、物体配置への効率的なデータ拡張が可能となる。本研究では、OMOMO、LAFAN1、および自社で収集したMoCapデータセットから得た運動を再ターゲティングし、OmniRetargetの有効性を包括的に評価した。その結果、8時間以上に及ぶ軌道を生成し、広く用いられるベースラインと比較して、運動学的制約の満足度および接触の保持において優れた性能を達成した。このような高品質なデータを用いることで、プロプライオセプティブな強化学習ポリシーは、5つの報酬項とすべてのタスクで共有される単純なドメインランダマイゼーションのみを用いて学習し、学習カリキュラムなしに、Unitree G1人間型ロボット上で最大30秒に及ぶ長時間のパーカー運動やロコマニピュレーションスキルを成功裏に実行することが可能となった。