ミュンヘン工科大学（TUM）、カーネギーメロン大学（CMU）、ニューヨーク大学（NYU）の共同研究チームがMotionDiscoを発表した。これはヒューマノイドロボットが人間のデモンストレーションなしに、複雑で長時間の移動操作（ロコマニピュレーション）スキルを自律的に発見・実行できる画期的なフレームワークである。
2026年6月7日にarXiv（2606.06139）で公開された本論文は、身体性AIにおける最も困難な問題の一つに取り組んでいる。すなわち、物体を運びながらテーブルに登る、散らかった環境を移動する、テーブルの下から箱を取り出すといった多様で接触の多い全身動作を、高コストで時間のかかる遠隔操作データ収集に頼らずに生成する方法である。
MotionDiscoの仕組み
MotionDiscoは2つの主要コンポーネントを結合している。LLM誘導型の接触相互作用シーケンスに対する進化探索と、枝刈り戦略を備えた効率的な逐次キノダイナミクス軌道最適化である。LLMはタスク記述と実現可能性フィードバックに基づいて接触計画の変異を提案し、軌道最適化器は提案された動作が物理的に実現可能かを検証する。この閉ループプロセスにより、多様な長時間タスクにわたって新規で動的に実現可能な行動の迅速な発見が可能となる。
実世界展開
研究者らはシミュレーションを超えて、発見された軌道上で強化学習追従ポリシーを訓練し、実機のヒューマノイドロボットへの転送に成功した。これは完全自動の進化探索によって発見された長時間ヒューマノイド移動操作スキルの初めての展開であり、ロボットが物理的スキルを自律的に学習できる未来への重要なマイルストーンである。
本フレームワークはMajid Khadiv教授率いるTUMのATARI Labで開発され、Cordelia Schmid教授の共同指導、Angela Dai教授（TUM）およびAaron M. Johnson教授（CMU）の協力を得て実現した。
