フィジカルAIラボ - 身体性AIとロボット学習：研究動向・講座・エンジニアリング

フロンティア・レーダー｜Forward Dynamics Models：未来予測が動作特徴を読み、動作は未来を読まない――推論時は未来生成を省略する

FDM は未来予測だけが動作特徴を読み、動作は未来を読まない設計で、推論時は未来生成を省略。著者報告で LIBERO 平均 99.4%、実機 96%（π0.5 は 83%）。

MuJoCo でつかむ場面をつくる――XML に書かれていない質量・単位・ステップ幅・衝突ルールを計算で確かめる。日本語動画、解説、確認問題、出典をこのページにまとめました（2026-10-13 更新）。

見慣れた課題では満点を取るインターンのロボット。ところが、カップの位置や向きが変わると、動きが止まります。先輩が記録を見直すと、そこには同じ問題ばかり。二人は条件の違いを観察し直し、ロボットは迷ったときに助けを求めることを学びます。

同じ状態から 2 系統を実行した結果で、各スキル段階をモジュール合成と E2E 方策のどちらに任せるかを学習。シミュレーションのみ、著者報告で総合 77.0%。

凍結 NoMaD の候補 16 本と現行軌道を潜在空間で同時予測して採点。著者報告で NoMaD+NWM-XL 比の誤差 17.56% 減、RTX 5090 で 128 倍高速。

人の映像と動作 1 万時間超で事前学習し G1 に適応。著者報告で SIMPLE 128/180、実機 13/15（GR00T-N1.6 と同等）。

凍結方策の 2 つのサンプルが続けて食い違うと、RESETTLE はデモを参照して 1 回だけ補正。著者報告で LIBERO-Plus の FastWAM は 49.3%→58.0%。

評価――「差し引き +2」を対応表に分解し、失敗ラベルと乱数シードを計算で確かめる。日本語動画、解説、確認問題、出典をこのページにまとめました（2026-10-10 更新）。

強化学習――1 回分の収益を手で計算して報酬の抜け道を見つけ、論文の地形カリキュラムとタイムアウト時のリセットを読む。日本語動画、解説、確認問題、出典をこのページにまとめました（2026-10-10 更新）。

HWAM は人型ロボットの参照動作と実行後の身体状態を同時に生成。著者報告で実機の Candy Picking 成功率は 70.6%、Fast-WAM は 43.3%。

模倣学習――誤差がお手本のカバー範囲からはみ出すまでを手で計算し、ACT・拡散方策・データのスケーリング則の数字をそれぞれの条件に照らして読む。日本語動画、解説、確認問題、出典をこのページにまとめました（2026-10-09 更新）。

データはどこから来る？――SO-101 のメタデータからお手本の長さを求め、三つの入手ルートの単位と動作空間を見分ける。日本語動画、解説、確認問題、出典をこのページにまとめました（2026-10-09 更新）。