Skip to content
最新の解説トピック企業用語集概要

KAISTのヒューマノイドv0.9、歩行しながら35kgを押し20kgを持ち上げる

KAISTのDRCD Labは、Humanoid v0.9が歩行しながら最大35kgの物体を押し、20kgを持ち上げる映像を公開した。外部のモーションキャプチャーではなく機載カメラのフィードバックを使い、深層強化学習と人間の実演からの学習を組み合わせたとしている。

Robrief Newsroom
2 分で読めます出典確認済み

KAISTのDynamic Robot Control & Design Laboratoryは10月19日、「Whole-Body Locomanipulation with KAIST Humanoid v0.9」と題する映像を公開した。機体は歩行しながら最大35kgの物体を押し、最大20kgを持ち上げ、機載カメラのフィードバックを使ってK-A-I-S-Tの文字を並べる。腕は共同研究先であるRAILABのものだ。

注目すべきは小さいほうの数字だ。35kgの物体を面に沿って動かすとき、ロボットがその重さを支える必要はなく、抵抗力は接触の状態で変わる。20kgの持ち上げは、腕が保持できる力の別種の試験である。押すほうの数字を可搬重量として引くのは機体を過大に見せることになり、どちらかを定格として扱うのも早い。研究室はどちらも商用仕様ではなくデモとして提示している。

バランスと力は同じ問題になった

全身のロコマニピュレーションとは、脚・胴・腕を単一のバランス制約のもとで協調させることだ。腕で押すと重心が動くため、脚がそれに応答しなければならない。だからこそ、押す動作のデモは可搬重量の試験でなくても意味を持つ。v0.9の機体はv0.7を土台にする。v0.7は75kg、身長165cmで、固有感覚センサーだけで時速12kmで走り、不整地を歩いた。ムーンウォークとサッカーのデモは2026年前半に出回った。

自律性の主張には境界線が要る

KAISTによれば、対話的な技能は深層強化学習と人間の実演からの学習の組み合わせから生まれる。映像の説明には、2つの手法をどう組み合わせるのか、タスクをどう指示するのかが詳しく書かれておらず、機載の視覚フィードバックだけで無制限の自律性と読むべきではない。Tech Timesは35kgの押し動作を、機載視覚で操作するヒューマノイドの既発表の最良結果のほぼ2倍と位置づける。これは公表値の水準で受け止めておくべき比較だ。

v0.9が変えたのは、機敏な歩行で知られた研究機が、モーションキャプチャー装置なしに視覚誘導の物理作業をこなすようになった点だ。それが本当に成立するかは工場の現場で同じ作業を繰り返して確かめる話で、デモ映像では決着しない。

出典 出典確認済み

  1. 1.Humanoids Daily: From Moonwalking to Heavy Lifting: KAIST Humanoid v0.9 Moves 35 kg Objects (Oct 19, 2026)humanoidsdaily.com
  2. 2.Tech Times: KAIST Humanoid Pushes Objects Up to 77 Lbs While Walking, No External Cameras (Oct 20, 2026)techtimes.com
  3. 3.Gadget Review: KAIST Humanoid v0.9 Robot Pushes 77 Pounds and Lifts 44 While Walkinggadgetreview.com

DynaのLindon Gao氏、ワークフロー1つが動けばすべてに通じると主張、支出は事前学習へシフト

Dyna Roboticsの創業者兼CEO、Lindon Gao氏は、ポッドキャスト「商業訪談録」第154回でZhang Xiaojun氏に、事前学習が今では事後学習よりはるかに多くの経営資源を占め、以前は半々だったと語った。Dynaが9月29日に公開したDyna-2.1の投稿によれば、洗濯のサイクルは約79のステップを連ね、1ステップ95%では人の助けなしにはほとんど完了せず、同社が披露したTakuは1時間の洗濯室ワークフローを無編集で自律的にこなした。

8 分で読めます出典確認済み

Gemini 4 Argonは身体推論で87%、実機アームのタスクは1件52分

Googleは10月13日、Gemini 4 Argonを世界で利用可能にし、ロボティクス用途をロボット制御、Real2Sim、物理理解、研究と自己改善の4つにまとめた。Artificial AnalysisのAA-Robotics v0.1は、実機のアームに8つの卓上タスクを実行させてArgonを100点満点中55.3と採点し、人間より約100倍遅かった。Physical Intelligenceは同日、Piのインフラ上でπ0とπ0.5モデルを微調整するAPIのベータを公開した。

7 分で読めます出典確認済み

LoopWAM、自らのラベル付きロールアウトで再学習し実機で19.7ポイント向上

LoopWAMは清華大学、Dexmal、Loopevaによる閉ループのワールドアクションモデルで、すべてのロールアウトを品質で採点し、失敗した軌道には映像の教師信号を与えるが行動の教師信号は与えない。RoboChallengeのTable30-V2で成功率43.33%として首位に立ち、自身の表のVLA-DM0.5を2.67ポイント、Dexmalが公表するDM0.5の43.0%を0.33ポイント上回る。

7 分で読めます出典確認済み

Newsletter

Robrief Weekly

重要なロボットニュースを週1回お届け。無料・いつでも解除できます。