FetchMan、シミュレーション学習で人型ロボットの歩行と把持を両立
3行解説
- FetchManは、視覚を使う人型ロボットの歩行と把持を学ぶ研究です。
- 15万件超の仮想シーンで学習し、実機へそのまま試す流れを作りました。
- Unitree G1では、未知の場面でも73.3%の成功率を示しました。
ニュースの概要
2026年8月17日、Omar Rayyan氏らの研究チームは、仮想環境で学んだ経験を使って人型ロボットの歩行と把持を学習する手法「FetchMan」を発表しました。対象は、見た目の情報を使いながら歩いて物をつかむ「visual loco-manipulation」です。
論文では、まず合成データをまねる学習を行い、その後に強化学習で性能を押し上げる流れを採っています。強化学習は、試行錯誤を通じて動きを良くする学習方法です。さらに、Flow-GRPOという手法で、1つのまばらな報酬だけを使って方針を磨きました。研究チームは、この流れを150,000以上のシーンにまたがる一連の学習手順としてまとめ、FetchMan-Benchというシミュレーション用ベンチマークも公開しています。
実機では、Unitree G1にゼロショットで展開しました。ゼロショットは、実機向けの追加学習をほとんどせずに動かすことを指します。単一物体の「歩いて近づき、つかむ」課題では、未知のシーンに対して73.3%の成功率を記録しました。さらに研究チームは、この学習の考え方を複数物体の訓練にも広げています。
FetchManが示した「仮想で学んで実機へ持ち込む」壁の越え方
今回のポイントは、単に仮想データを増やしただけでは性能が頭打ちになった点です。FetchManでは、合成デモの模倣だけでは限界があり、そこに強化学習を重ねることで初めて壁を越えました。人型ロボットは歩行と把持を同時にこなすため、机上の腕だけの操作より難しく、学習の失敗が動き全体に響きやすいからです。
特に、Unitree G1で73.3%の成功率を出したことは、研究室の中だけで終わらない可能性を示します。倉庫や研究施設のように、床の状態や物の置かれ方が毎回少しずつ変わる場所では、こうした「歩きながらつかむ」能力が役立ちます。ただし、複数物体への拡張はまだ第一歩です。現場で使うには、失敗時の立て直しや安全確認まで含めた設計が欠かせません。
【解説】FetchManで、ヒューマノイドの「歩きながらつかむ」はどう変わる？
FetchManのような手法は、ヒューマノイドを「その場で止まって作業する機械」から、「移動しながら作業する機械」へ近づけます。たとえば、棚の前まで歩いて行き、対象物を見つけ、手を伸ばしてつかむ流れです。こうした動きは、搬送とピッキングが混ざる現場で特に意味を持ちます。
ただし、今回の成果はあくまで研究段階です。大事なのは、どの工程でも一気に広げるのではなく、まずは対象物が少ない場所や、失敗しても被害が小さい場面から試すことです。仮想学習の強みは大きいですが、実機では足元の段差や物の重さなど、数字に出にくい差が残ります。そこをどう埋めるかが、次の焦点になります。
シミュレーションで学んだ動きを実機へつなぐ考え方は、ヒューマノイド活用の広がりを示しています。現場でどこまで自動化できるかを考えるうえで、こうした研究の進み方は参考になります。
ロボット導入・自動化をご検討の方へ
「自社にはどんなロボットが合うのか」お悩みではありませんか。貴社の現場課題に合わせた最適な活用方法をご提案します。まずはご相談・資料請求からお気軽にどうぞ。
