放送映像からプロのテニスの「型」を学ぶヒューマノイド ― 計画と追従を分け、実機で崩れる分を速度の適応で埋める

1「できる」と「らしく見える」は別の課題

ヒューマノイドロボットが球技をこなす例は増えてきた。しかし課題としての成績を保ちながら、プロの選手のような動きの様式まで備えることは別の難しさを持つ。本研究が扱うのはそこで、テニスのサーブとラリーの型を、専用に収録したモーションキャプチャではなく放送映像から直接学ばせようとする。手に入りやすい素材から様式を取り出す、という発想が出発点にある。

2計画と追従を分ける

1. 1放送映像から学ぶプロのサーブとラリーの様式を素材として使う
2. 2計画側が作る様式的な運動学的動きを生成する
3. 3追従側が実行する計画への干渉を最小限にしながら動きを実行する
4. 4実機で崩れる追従性能は実ロボット上で必ず劣化し、自己回帰的な計画では部分的に見落とされ、雑音の多い知覚がそれを増幅する
5. 5適応で埋めるランダム化された実行速度を追従することを学ばせ、学習された動き速度の適応器で計画側を条件づけて誤差の累積を抑える

階層に分ける設計の狙いは、様式を作る仕事と、それを物理的に成立させる仕事を切り離すことにある。ただし切り離した結果として、シミュレーションでは見えていなかった差が実機で表面化する。この研究の中心はむしろ、その差にどう対処するかにある。

3シミュレーションと実機の隔たり

著者らが問題として挙げるのは三つの重なりだ。第一に、追従性能は実ロボット上で必然的に劣化する。第二に、その劣化は自己回帰的に計画を進める方式では部分的に見落とされる。第三に、雑音の多い知覚がその見落としをさらに増幅する。

対処はそれぞれに対応しており、実行速度をランダム化して追従を学ばせることで頑健性を上げ、動き速度の適応器を計画側の条件として与えることで誤差が積み上がるのを抑える。実機実験はUnitree G1で行われ、さらに全高1.7メートルのDobot Atomへ方策を展開して、モーションキャプチャなしでの屋外環境でのサーブを実演したと報告されている。

4ロボティクスの論文としての位置

2026年9月2日時点で当サイトが保持するAI論文1,900件のうち、主分類がcs.RO（ロボティクス）のものは63件である。cs.CV 482件、cs.LG 377件、cs.AI 364件、cs.CL 254件が上位を占めるなかで、実機を伴う研究は相対的に少ない。著者は18名で、当サイトの収集分の著者数の中央値4名を大きく上回る。

実機での検証を要する研究が大きな体制を必要とすることの一端がうかがえる。著者らは、結果そのものに加えて、今後のヒューマノイド球技システムに向けたアルゴリズム上・工学上の知見が実世界の実験から得られたとも述べている。