微分可能世界モデルで人型の全身制御を高速学習

SuperMimicは、人間の動作データを追従するヒューマノイド全身制御を、1つの微分可能な世界モデルで学習する手法である。剛体シミュレータの遷移データから世界モデルを作り、方策と同時に学習して、短い想像上のロールアウトの勾配で方策を更新する。H100 1枚で3時間の学習により、SONICが128GPUで7日かけた水準の報酬を上回り、GPU時間は1000倍以上減る。129,514件のベンチマーク動作で失敗は25件で、SONICの179件より少なく、2GPUで9.8時間なら0件になる。実機のUnitree G1でも多様でアクロバティックな動作を実現した。