huggingface.coは11月5日(現地時間)、身体化基盤モデル（embodied foundation models）において、人間とロボットの経験を大規模に活用するオープンな手法「Open-HumanScale」を発表した。この研究では、50,000時間規模の自己中心視点コーパス「Open-HumanWAM-50K」を用い、人間の経験がロボット学習をどのように改善するかを検証。ロボット制御プラットフォーム「RoboTwin 2.0」での実験を通じて、大幅な性能向上を示した。
研究チームは、大規模な自己中心視点コーパスであるOpen-HumanWAM-50Kに対し、手動動作と詳細な言語アノテーションを付与し、その学習効果を分析した。
探索研究HumanWAM-Vanillaでは、自己中心視点での事前学習をスケーリングすることで、未知のシーンやランダム化された環境に対する汎化性能が向上することが示された。データ多様性の拡大はスケーリングの傾向を強め、人間による事前学習がロボットのデモンストレーション効率を改善する結果となった。このモデルは、RoboTwin 2.0で平均80.48%（クリーン環境で92.08%、ランダム環境で68.88%）のスコアを達成している。
続いて「HumanWAM-Goal」では、人間とロボット双方の経験を組み合わせることで、シミュレーションと実世界の両方でゼロショット汎化性能が向上することが明らかになった。視覚的な目標を設定することで、ロボットはターゲットタスクのパラメータを更新することなく、インコンテキスト条件付けを通じて人間のデモンストレーションに従い、行動を適応させることが可能となる。後処理訓練後、HumanWAM-GoalはRoboTwin 2.0で平均88.65%（クリーン環境で92.70%、ランダム環境で84.60%）のスコアを獲得し、RoboTwin 2.0における首位にランクインした。
研究チームは、今回の研究で用いられたコーパス、モデルのチェックポイント、および関連コードを公開しており、今後もアップロードとドキュメントの更新を行う意向を示している。
参考: huggingface.co (アーカイブ) — 2026年11月6日 05:06 (JST)