ダウンロード
陸上部
×
ロボットの取り組み
GMO
•
（
大会新記録
）
今年の
ニューイヤー駅伝
を優勝
インターネットグループ陸上部
•
チャレンジ
所属選手らの
走行データを
:
•
ロボティクスに
活用
データの解析により選手にも有益な
できないか？
•
フィードバックを生み出せないか？
Copyright © GMO Internet Group, Inc. All Rights Reserved.
10
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
世界
ヒューマノイドロボット運動会
昨年中国にて初回開催され、大きな注目を集めた大会
GMO
の出場予定種目
**: **
100m
走
**/ **
400m
走
**/ **
1500m
•
走
•
自律走行であればタイムにボーナス
が付き有利
人間と同様のトラックを使用
•
速く走る
**+ **
自律行動、レーン内の安定走行
が求められるルール
今回は「
速く走る
」の部分の取り組みを発表します
Copyright © GMO Internet Group, Inc. All Rights Reserved.
11
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
目次
1.
背景
: GMO
インターネットグループ陸上部
–
GMO
ロボッツ
2.
データ収集
**: **
モーションキャプチャとリターゲティング
3.
走行ポリシーの学習
4.
これまでの成果と明らかになった課題
5.
まとめと展望
Copyright © GMO Internet Group, Inc. All Rights Reserved.
12
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
モーションキャプチャとリターゲティング
•
モーションデータはロボットに合わせて変換する必要がある
人間の動きをモーションキャプチャし、モーションデータを取得
•
（リターゲティング）
Copyright © GMO Internet Group, Inc. All Rights Reserved.
13
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
陸上部選手のモーションキャプチャ
直線
/
カーブや加速
/
減速など、
•
多様なシチュエーションの
関節の動かし方は異なる
•
データを収集する必要がある
実際の撮影動作
•
直線・曲線で低速
/
中速
/
**: **
•
400m
を３段階で段階的に
高速
•
前後左右への移動、その場旋回
加速する周回走も取得
•
都内の陸上競技場でモーションキャプチャをしている様子
Copyright © GMO Internet Group, Inc. All Rights Reserved.
14
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
陸上部選手のモーションキャプチャ
Copyright © GMO Internet Group, Inc. All Rights Reserved.
15
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
**人間 **
**→ **
ロボットへのリターゲティング
General Motion Retargeting
•
末端の目標位置から関節角を逆算する
逆運動学を解いて
Araujo et al. (2025)
•
体格や骨格の異なる別の
モデルに動きを転写する
Copyright © GMO Internet Group, Inc. All Rights Reserved.
16
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
**人間 **
**→ **
ロボットへのリターゲティング
Copyright © GMO Internet Group, Inc. All Rights Reserved.
17
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
目次
1.
背景
: GMO
インターネットグループ陸上部
–
GMO
ロボッツ
2.
データ収集
**: **
モーションキャプチャとリターゲティング
3.
走行ポリシーの学習
4.
これまでの成果と明らかになった課題
5.
まとめと展望
Copyright © GMO Internet Group, Inc. All Rights Reserved.
18
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。
走行ポリシーの学習
強化学習を用いた２つのアプローチで走行ポリシーを開発
1
1.
Proximal policy optimization
(PPO)*
にもとづくアプローチ
高速な走行が可能になるように、
報酬設計などを調整し学習を行う
2
2.
AMP*
にもとづくアプローチ：
報酬設計などの調整に加えて、
モーションデータの特徴を学習時に加える
**1 Schulman et al., "Proximal Policy Optimization Algorithms," arXiv:1707.06347 (2017) **
2 Peng et al., "AMP: Adversarial Motion Priors for Stylized Physics
-
**Based Character Control," ACM Trans. **
Graph. 40(4) (2021)
Copyright © GMO Internet Group, Inc. All Rights Reserved.
19
スライドに記載されたテキスト全文：自動抽出のため、画像内のテキストなどが一部表示されない場合がございます。