「クロスエンボディメント全身モーションデータファクトリー」正式稼働、BridgeDPが運動制御分野のデータ空白を埋める
BridgeDPはクロスエンボディメント全身モーションデータファクトリー(Cross-Embodiment Whole-Body Motion Data Factory)を建設し、動作設計から同期収集、クロスボディ・リターゲティング、データ拡張、訓練フィードバックまでの全工程を接続した

01 はじめに
私たちはクロスエンボディメント全身モーションデータファクトリー(Cross-Embodiment Whole-Body Motion Data Factory)を建設し、動作設計から同期収集、クロスボディ・リターゲティング、データ拡張、訓練フィードバックまでの全工程を接続しました。データファクトリーは継続稼働するインフラとして、ヒューマノイドロボットOSにデータ燃料を供給し、システム内の全身運動モデルがクロスボディで訓練可能かつ再利用可能なデータ資産を継続的に獲得できるようにします。
モデル能力の向上は、データによる制約がますます顕著になっています。データ規模が不十分だと、モデルは十分な数の動作をカバーできません。データ品質が不安定だと、モデルは誤った接触関係や身体協調の仕方を学習してしまいます。データがクロスボディで再利用できなければ、ロボットのハードウェアを交換するたびに多くの訓練資産を作り直す必要があります。
汎用的な全身運動モデルにとって、データは単なる訓練素材ではなく、能力の境界を決める重要な資産になっています。
今回のパイロットと過去2年間にわたる多様な脚式ロボットでのエンジニアリング実践を踏まえ、私たちはデータファクトリーを社内検証から正式な大規模建設へと進めています。そこで解決すべきは、動作を継続的に計画し、多源信号を同期収集し、クロスボディ・リターゲティングを行い、物理検証とデータ拡張を施し、訓練結果を次の生産サイクルにフィードバックする方法です。
本記事では、私たちの運動制御データファクトリーに関する段階的な考察を共有します。クロスエンボディメント全身運動データとは何か、なぜそのために専用工場を建設するのか、そして工場内部はどのように運用されるべきか。
02 運動能力から見て、どんなデータが必要か
「どんなデータが必要か」に答えるには、まず「どんな運動能力が欲しいのか」に答える必要があります。
汎用的な全身運動モデルに求めるのは、上方向にはマルチモーダルな動作意図と互換し、下方向には異なるハードウェア本体と互換し、安全で信頼性が高く、複雑な環境で継続的に進化できる運動能力です。
この能力はデータに対してより高い要求を突きつけます。モデルが必要とするのは、全身の協調、タスク意図、接触関係、環境文脈、物理的実行可能性、クロスボディ再利用価値を同時に保持できるデータです。
しかし既存のデータ形式は、単独ではこれらの要求を自然に満たすのが困難です。
モーションキャプチャデータは人体の運動状態を正確かつ構造的に記録できますが、環境情報や人と環境との精密な相互作用が欠けています。
遠隔操作データは特定のロボット本体に厳密に紐づいており、ハードウェアを交換すると再利用価値が著しく低下します。
一人称視点映像は末端と物体の相互作用に集中しており、胴体・下肢・重心・接触の間の全身協調関係を完全には表現できません。
三人称視点映像は全体の動作は見えますが、正確で合理的な人体動作を抽出するのが困難です。これらのデータはそれぞれ価値がありますが、単独では汎用的な全身運動モデルに必要なデータクローズドループを支えることができません。
この判断に基づき、私たちは汎用的な全身運動モデルの訓練に真に役立つデータ資産を、クロスエンボディメント全身運動データ(Cross-Embodiment Whole-Body Motion Data, CWM)と定義し、CWMには少なくとも以下の4つの性質を同時に満たすことを要求します。
クロスボディ・リターゲット可能性(Cross-embodiment retargetability)
同じ動作は、統一された処理パイプラインを通じて、リンク長、関節構成、質量分布、駆動能力が大きく異なる複数の目標本体上で、物理的に整合した訓練サンプルを生成できなければなりません。つまり、元データ自体が十分なトポロジーと運動学情報を持ち、異なる本体への統一的な構成マッピングをサポートする必要があり、特定のロボットの関節空間に束縛されてはいけません。ロボットハードウェアは継続的に進化するため、データが特定の世代の本体にしか役立たないなら、そのハードウェアとともに価値が減耗します。CWMはデータの価値を人間の全身運動の意味論と移転可能な法則に結びつけ、一つのデータが複数世代のハードウェアで繰り返し活用されることを可能にします。
全身カバレッジ(Whole-body coverage)
データは胴体、四肢、手、指、そしてそれらの協調関係を完全に表現しなければならず、上半身の末端軌道や下半身の歩容だけを保持するのでは不十分です。実際のタスクは局所動作の単純な連結ではないことが多く、例えば「しゃがんで拾う—抱える—向きを変えて歩く」は、下肢の支持、重心移動、胴体姿勢、腕の伸展、指の把持、接触切り替えを同時に含みます。これらの身体部位の結合関係を全体として記録して初めて、モデルは移動・操作・姿勢変化の間の協調法則を学習できます。
物理的実行可能性(Physical feasibility)
合格データは運動学的に滑らかで合理的なだけでなく、目標本体上での動力学が物理的に実行可能でなければなりません。浮遊、貫通、滑り、不安定、トルク超過などの問題があってはならず、これがCWM資産が候補軌道から訓練サンプルへと昇格するための厳しい条件です。
マルチモーダル性(Multi-source augmentability)
CWMデータは収録段階で人体動作、意味ラベル、一人称視点映像、三人称視点映像、環境アセット、物体アセットを同期収集し、動作に完全な身体・タスク・シーン文脈を持たせます。その後、シミュレーション環境でデータを再生・拡張し、カメラ位置のカスタマイズ、シーンや物体のマテリアル・テクスチャの変更、全身の接触力と運動状態の収集を通じて、単一の収集を多視点・多シーン・多物理状態の訓練サンプルに拡張します。
これら4つの性質を満たすCWMデータは、単純に収集するだけでは得られません。これが私たちがクロスエンボディメント全身モーションデータファクトリーを建設する出発点です。
03 なぜデータファクトリーを建設するのか
CWMデータとは何かを定義しましたが、モデル訓練にとって「正しい」データだけでは十分ではありません。データ規模も同様に重要であり、この点は大規模モデル分野で既に共通認識となっています。
Generalist AIの研究は、VLAモデルにも明確なデータのスケーリング則が存在することを指摘しています。SONICもヒューマノイドロボットの全身運動追跡で、運動データ量の拡大が運動制御能力の顕著な向上をもたらすことを体系的に検証しました。全身運動制御にとって、これはデータがいくつかの標準動作だけでなく、歩行、方向転換、しゃがみ、運搬、把持、支持、障害物回避、バランス回復、接触切り替えなど、多数の連続動作の組み合わせをカバーする必要があることを意味します。
私たちの内部判断では、真に汎用的な全身運動モデルを訓練するには、最終的に数十万時間レベルの高品質CWMデータが必要です。この規模を前にしては、少量のデータには長期的な訓練価値がほとんどなく、本当に価値があるのは拡大し続けるデータ規模です。
一方で、データの多様性も同様に重要です。歩行データをいくら増やしても、バク転ができるモデルは訓練できないからです。全身運動データの複雑さは、単に「動作が多ければ多いほど良い」のではなく、正しいデータ配合と厳格なデータ品質管理が必要だという点にあります。
モデルは十分な数の動作カテゴリ、接触状態、タスク意味論、環境変化、目標本体の差異を見る必要があります。同時に、各データはクリーニング、アノテーション、リターゲティング、物理検証を経なければなりません。さもなければ、大規模データは容易に大規模ノイズになります。足裏の滑り、身体の貫通、浮遊、不安定、トルク超過などの問題は、モデルの品質を直接低下させるデータ汚染であり、誤った接触関係、誤った身体協調の仕方、実行不可能な制御パターンを学習させてしまいます。
この基準は、外部データが主力にはなり得ないことも意味します。公開モーションキャプチャやネット動画は補助にはなりますが、量と質の両面で汎用的な全身運動モデルの訓練を支えるには不十分です。
したがって、CWMデータ生産は工業化された生産システムとして設計されなければならず、収集はその一部にすぎません。一つの動作が設計されてから訓練セットに入るまでに、品質検査、クロスボディ・リターゲティング、動力学・シミュレーション拡張、意味アノテーション、そしてモデル訓練側からのフィードバックループを経る必要があります。
この生産ラインでは、データ配合、生産フロー、品質基準を同時に定義する必要があります。どの動作を優先的にカバーすべきか、どのシーンと接触状態が最も希少か、どの目標本体を検証すべきか、どのサンプルを除外すべきか、どのデータが訓練で最も高い収益を生んだか、これらを継続的に追跡しフィードバックする必要があります。データ規模が大きくなるほど手作業の経験に依存できません。モデルの目標が汎用的になるほど、再現可能・監査可能・反復可能な生産フローが必要になります。
これこそCWMデータファクトリーの中核的な価値です。安定した施設、設備、パイプライン、専門チーム、品質検査システムにより、汎用的な全身運動データを持続可能な生産能力に変えるのです。
専門の動作設計者が動作スペクトラムを定義し、収集チームが高品質な同期収録を担当し、エンジニアリングチームがクリーニング・フォーマット化・リターゲティング・シミュレーション再生を担当し、アルゴリズムチームが物理検証・訓練フィードバック・データ選別を担当し、品質検査チームが使用不能なサンプルを訓練セットから排除します。
このような工場レベルのシステムだけが、十分に大きく、正確で、クリーンで、モデル訓練とロボットの進化に合わせて更新し続けるCWMデータ資産を継続的に生み出せます。
04 データファクトリーは「収集場所」ではなく「インフラ」である
BridgeDPのクロスエンボディメント全身モーションデータファクトリーは、CWMデータ資産の生産を中心とした全工程のインフラです。
動作設計から始まり、動作カテゴリ、接触状態、タスクシーンを明確にします。収集段階では人体動作、映像、接触、環境、物体などのマルチソースデータを同期取得します。その後、クロスボディ・リターゲティング、物理検証、シミュレーション拡張を通じて、生データを訓練可能なサンプルに変換します。最後に訓練フィードバックでデータ配合を継続的に修正します。

能動的カバレッジ:運動多様性の拡充
データファクトリーが最初に答えるべきことは「何を収集するか」です。汎用的な全身運動モデルは、継続的に拡張され、身体協調の様式をカバーする運動空間を見る必要があります。この空間は単なる動作カタログの寄せ集めではなく、相互に独立したいくつかの主軸に沿って継続的に充填されるべきです。
- 能力次元の水平展開
収集計画は身体の使い方に基づいて組織されるべきであり、動作名を数合わせで並べるべきではありません。移動、姿勢遷移、四肢協調、接触切り替え、物体操作といった基礎次元は、その後の複雑な能力の土台です。私たちが重視するのは、身体がどのように動員され、異なる身体部位がどう協調し、重心と接触がどう変化するかであり、特定の動作を採れたかどうかではありません。
- 複雑地形・複数人インタラクション・環境インタラクション
これら3種類のシーンは、基礎次元を超えて最も難しく、実展開に最も近いニーズですが、最も見落とされやすいシーンでもあり、収集計画に明示的に組み込む必要があります。複雑地形は支持と足運び戦略を変え、複数人インタラクションはリズムの調整と空間交渉を導入し、環境インタラクションは身体運動を物体・接触面・到達可能空間と深く結合させます。これらは平地での単独動作から自然に外挿することはできず、収集計画に明示的に組み込まなければなりません。
- 無意識の行動と自由な発揮
台本はタスクの境界しか定義できず、実際の運動には書き留められていない部分が大量に存在します。個人の動作習慣、その場での調整、予期せぬ事態への本能的対応などです。専門の動作設計者は収録時に意図と制約を与えつつ、演者が自身の習慣に従って動作を完了する余地を残し、データがタスク目標をカバーすると同時に、実際の身体差も保持するようにします。
- 動作回復と失敗時のフォールバック
モデルが実環境で展開できるかどうかは、失敗時に安定を保てるかどうかに大きく依存します。そのため、動作回復は独立して収集計画に組み込む必要があり、バランス喪失後の再平衡、衝突後の障害物回避と後退、転倒や非理想的な姿勢からの起き上がり回復が含まれます。このようなサンプルは通常希少ですが、モデルの安全境界に直接関係します。
収集の多様性も、源流で明示的に管理する必要があります。収集者と収集機器の多様性は、CWMデータの多様性と豊かさに直接影響します。異なる体型、年齢、性別、体形の演者は、異なる運動姿勢、関節可動域、重心制御方法をもたらします。異なる収集機器(慣性モーションキャプチャ、光学モーションキャプチャ、電磁モーションキャプチャ)は、精度、カバレッジ、装着制約、適用シーンが異なり、それ自体がデータの一つの次元になります。人員と機器の多様性を収集計画に組み込んで初めて、モデルは「ある種の人がある種の機器の下で」という運動様式だけを学習することを避けられます。
これらの方向性は、継続的に更新される運動カバレッジマップによって組織・計測され、どの組み合わせが既にカバーされ、どの次元がまだ疎で、どのサンプルがクロスボディ移行後に繰り返し失敗するかを記録します。
マップによる能動的カバレッジに加えて、データファクトリーはモデル訓練側からのデータタイプ要求フィードバックを明示的に受け取ります。どの動作カテゴリがどの本体で学習が不安定か、どの接触状態が訓練収益が最も低いか、どのサンプルが品質検査を通過しても実際の利益をもたらさなかったか、これらが新しいデータタイプ要求に変換され、収集計画に書き戻され、「何を収集するか」が訓練結果によって継続的に校正されます。
これらの要求を実際に実行可能な収集タスクに変換するため、私たちは工場内にAIネイティブなデータ設計・収録管理プラットフォームを構築し、動作要求、カバレッジマップ、シーンアセット、収録計画、データ状態、訓練フィードバックを同一システムで管理しています。
プラットフォームの中心的な利用者は、フルタイムの専門動作設計者のグループです。彼らは動作の意味論を定義し、身体協調を分解し、演技の実行可能性を判断し、全身インタラクション、動作回復、道具使用、シーンタスクを収録可能な動作プランに変換します。
プラットフォームは内蔵のAI能力を活用し、設計者が動作プランを作成するのを3つの点で支援します。
動作プランの生成と拡張では、プラットフォームはカバレッジマップのギャップと訓練フィードバックに基づいて動作記述を起草し、意味論レベルで汎化し、速度、体型、リズムなどの次元で多数のバリエーションを派生させます。
プランの可視化では、AIを使用してテキスト記述や動作キーフレームから動作例を生成し、抽象的な記述を実演可能な参考動作に変えることができます。
多様性レビューと人員マッチングでは、プラットフォームは現在のバッチのカバレッジマップに対する分布の偏りを比較し、どの次元が過剰に収集され、どの次元が依然として疎かを設計者に示し、体型、年齢、性別、体形に基づいて、各プランを最適な演者と収集機器に割り当てるのを支援します。
このツールチェーンにより、カバレッジマップ、設計者の判断、モデル訓練フィードバックが同一システム内でクローズドループを形成し、「どの動作が既に学習安定か、どの動作の移行失敗率が高いか、どのシーンがまだカバー不足か」を継続的に収集可能・照会可能・フィードバック可能な生産タスクに変換します。
同期収集:マルチソース情報の同期アライメント収集
CWMの同期収集は、単に人体動作を録画するのではなく、同じ動作の中で4つのことを同時に答える必要があります。運動意図、身体の運動様式、インタラクション対象、環境です。「全身」とは、移動、操作、姿勢制御、接触変化などのサブタスクが同じ動作内で同時に成立することを意味し、胴体・手・脚の軌道の単純な連結に退化させてはなりません。これは人体動作、映像、意味論、シーンが同期記録されることを本質的に要求します。現在の収集規格では、完全な記録は以下の4種類の信号を可能な限り同期します。具体的にどれが利用可能かは収集シーンと目標本体によって異なります。
- 人体動作(BVH)
クロスボディ・リターゲティングの主要な参照信号であり、動作の意味論、身体協調、重心変化、姿勢遷移を担います。私たちは異なるタイプの動作を収録する際に異なる機器を使用します。
低ダイナミックな動作や複雑地形での運動には慣性モーションキャプチャが適しており、場所、遮蔽、地形の影響を受けにくいです。
高ダイナミックな動作には光学モーションキャプチャまたはより高精度な光学慣性ハイブリッド機器が適しており、高速運動下でも関節位置を安定させられます。
末端の手の精密動作(把持、道具操作、ボタン押下、回転)には電磁モーションキャプチャが適しており、狭い空間でも高精度な姿勢を提供できます。
- 生映像
は直接リターゲティング工程には入りませんが、データファクトリーでは価値の高い補助信号です。映像による動作補完と人体動作抽出をサポートし、大量のインターネット動画を訓練資産に組み込むことを可能にし、ナビゲーションと操作のための視覚モダリティを準備します。同時にSLAMの訓練や、人と物体の接触状態の推定にも使用されます。機器としては頭部装着カメラと外部RGB / RGB-Dカメラを並行して収集し、それぞれ一人称視点と三人称視点を提供します。
- シーンインタラクションアセット
は、動作が発生する環境と物体の文脈を提供し、動作をシミュレーション環境に配置するための前提条件です。
私たちは2種類を収集します。一つは地形・シーンアセットで、部屋の構造、地面の起伏、固定家具など、動作の到達可能空間と接触面を決定します。もう一つはインタラクティブ物体アセットで、運搬、押し引き、使用される物体など、操作タスクの目標形状を決定します。
技術的には3Dガウシアンスプラッティング + メッシュ抽出で全体を再構築し、正確な姿勢が必要な物体にはさらに光学マーカーを使用します。アセットはシミュレーション環境に入った後、強化学習訓練とモデル評価を支えます。
- 意味ラベル
は専門動作設計者、現場記録者、AIアノテーションシステムの協働で生成され、動作境界、動作カテゴリ、シーン、意図を定義し、各サンプルがどのように訓練セットに入るか、訓練でどのようにサンプリング・重み付け・評価されるかを決定します。
同期が必要なのは、全身運動の価値が単一のモダリティではなく、異なるモダリティ間の対応関係にあるからです。同じ「しゃがんで物を拾う」動作でも、人体BVHは身体姿勢の変化しか示せません。映像は物体がどこにあるか、手が実際に接触したかを示します。シーンアセットは物体の環境とインタラクション可能面を示します。意味ラベルは動作境界とタスク意図を示します。これらの信号がアライメントされていなければ、手の軌道がどのフレームの物体接触に対応するか、足裏の力が現在の姿勢に対応するか、この動作が本当に訓練セットに入れられるかを判断できません。
そのために、データファクトリーはすべての収集機器に統一された収集クロックとタイムスタンプ体系を構築しています。すべての機器は収集前に空間校正と時刻同期を完了し、収集中は主制御システムがタスク番号、動作番号、機器状態、開始/終了信号を統一的に管理します。ハードウェア同期が可能な機器はトリガー信号、フレーム同期、タイムコード、PTPなどを優先的に使用してアライメントし、ハードウェア同期が不可能な機器はローカルで高精度タイムスタンプを記録し、同期動作、キャリブレーションイベント、後処理アルゴリズムで時刻同期補正を行います。
同期後、各データは下流のパイプラインに直接入れる資産に整理される必要があり、この作業も前述の収録管理プラットフォームが担当します。
プラットフォームは一方で現場自動品質検査を行い、時刻同期、キャリブレーション、軌道完全性、骨長安定性、キーポイント異常、動作セグメント境界をチェックし、AIが動作の意味論、演技の一貫性、明らかな収録異常を補助的に検査します。もう一方で統一データベース格納を行い、同じ動作のすべてのモダリティを統一データパッケージにまとめ、セッション、機器状態、キャリブレーション版、時刻ずれ、フレーム欠落、品質検査結果を紐づけ、主クロックを基準にアライメント、再サンプリング、スライスを行い、リターゲティングと訓練パイプラインに直接入る最小データ契約を形成します。
クロスボディ・リターゲティング:複数構成のロボットへのリターゲティング
異種性問題の核心的な解決策はモーション・リターゲティング(motion retargeting)です。人体またはある参照本体を座標系とする動作を、目標ロボット本体上の軌道に変換します。工業生産になると、難しさは「一つの動作を一台のロボットに移せるか」ではなく、大量の動作と大量の本体の間で、継続的・安定的・低コストにこれを実行できるかになります。
アルゴリズム面では、私たちが自社開発したリターゲティングエンジンは「任意の動作 × 任意の機種 × 任意の地形」に対応します。入力側では任意の動作、上半身/下半身/全身をカバーし、オフラインのモーションキャプチャファイル、リアルタイムのモーションキャプチャストリームを処理でき、映像動作など異なるソースの動作信号もサポートします。出力側では構造、関節構成、スケール、駆動能力が大きく異なる脚式、ヒューマノイド、上肢、複合構成のロボットをカバーし、平地、坂道、階段、不整地などの地形制約を統一的な求解に組み込みます。各動作、各ロボット、各地形ごとに専用の解法ロジックを個別に書く必要はありません。ソルバーは運動学求解と幾何制約を主幹とし、接触状態、支持関係、空間制約、地形制約、関節制限、身体インタラクション関係を同じ求解プロセスに組み込み、意味論的に一貫し、構造的に到達可能で、品質が安定した候補軌道を出力します。
エンジニアリング面では、工場生産に直接貢献する3つの利点があります。
第一に、逐条のパラメータ調整不要、動作テンプレート不要です。クロスボディ能力は統一本体抽象レイヤーから来ており、新しいロボットを接続する際、私たちはそのロボットのURDF定義にのみ依存し、アルゴリズムはこの抽象レイヤー上で自動的に迅速に複数の構成に適応します。各動作や各ロボットに専用の解法ロジックを書く必要はなく、動作ごとの手動微調整にも依存しません。
第二に、ストリーミングとオフラインのデュアルモードです。収集端からリアルタイムに入る動作ストリームを処理できると同時に、既存の動作ライブラリをバッチ処理できます。これにより、リターゲティングは「収集後に処理する」オフライン工程ではなく、収集しながらリターゲティングできます。動作が記録された直後、目標本体上の候補軌道がすでに利用可能になり、品質検査とその後の動力学拡張を直ちに接続できます。ストリーミングモードでは、当社のリターゲティングツールはNoitomやXsensなど複数の機器の出力データをサポートします。
第三に、クロスプラットフォームでの安定配布です。エンジニアリングサイト、収集現場、訓練クラスタ、目標ロボット側のいずれでも一貫した形式で展開・再生でき、動作ストリームが生産経路上で常に同じアルゴリズム実装に基づくことを保証します。
生産能力面では、すでに工場の主力生産サービスとなっています。現在の統計基準では、このリターゲティングアルゴリズムは単一CPUコアで毎秒1000フレーム以上を処理でき、通常の収録フレームレートの十数倍です。私たちはこのルートのために計算クラスタを用意し、収集端から入る動作ストリームを継続的に処理し、同じ動作を複数構成のロボットに並行して配信することを支えています。生産基準に落とし込むと、「各動作に手動適応が必要」という隠れたコストを、新しい本体接続時の一度きりのエンジニアリング・キャリブレーションに圧縮し、「収集→リターゲティング→候補訓練サンプル」のリンク時間を日単位からほぼリアルタイムに短縮します。
同じ人間のダンス動作がクロスボディ・リターゲティングを経て、複数の異なるロボット本体にマッピングされました。一部の機密本体はぼかし処理済みです。この効果を実現するためにアルゴリズムの手動パラメータ調整や追加設定は不要です。
データ拡張:動力学・シミュレーション・AIアノテーション拡張
クロスボディ・リターゲティングが出力するのは高品質な候補軌道ですが、候補軌道はまだ最終的な訓練資産ではありません。データ拡張が行うべきは、これらの候補軌道をより検証可能で、より訓練可能で、モデルが消費しやすいデータへと変えることです。私たちは3つの主軸で進めます。動力学拡張、シミュレーション多様性拡張、意味アノテーションです。
動力学拡張は、最も価値が高く、最も困難で、物理的一貫性が最も必要なサンプルを目標本体の動力学・接触モデルに投入し、RL動力学後処理によって追跡誤差と物理的違反を同時に制御し、候補軌道を「運動学的に似ている」から「目標本体上で追跡可能、貫通なし、トルク超過なし、摩擦円錐違反なし」へと昇格させます。実行不可能と判定されたサンプルは、具体的な失敗理由とともに品質フィードバックに入り、単純に破棄されることはありません。
シミュレーション多様性拡張は、同じ動作を異なる仮想環境で繰り返し実行し、CWM資産のカバレッジ密度を倍増させます。
一方では欠落モダリティの補完です。物理シミュレーションとレンダリングパイプラインを通じて、元々動作と映像しか収集されていなかったサンプルに、力学的信号、深度マップ、意味セグメンテーション、多視点画像など、本来収集されていなかったモダリティを補います。
他方では視覚とシーンの多様性拡張です。物体や環境のテクスチャアセットを交換し、マテリアルと照明を調整し、部屋のレイアウトを変更し、新しいインタラクション対象と初期状態を導入し、異なる方向と強度の外力を加えます。同じ動作が複数の目標本体、複数のシーン、複数の照明、複数の擾乱条件下で多数の新しいサンプルを派生させ、モデルが見るのは「この動作を行う一つの方法」ではなく「この動作を行う一つの分布」になります。
意味アノテーションは、データを訓練パイプラインで検索・重み付け・選別・再利用できる資産にします。AIアノテーションシステムが動作スライス、動作カテゴリ、接触状態、シーンオブジェクト、タスク意味論、失敗理由、能力次元などのラベルを補助的に生成し、専門動作設計者が意味境界と重要サンプルをレビューし、アノテーション出力を訓練サンプリングと評価バケッティングに使用できる標準形式に収束させます。
3種類の拡張は共通のバージョン・由来記録を共有します。各拡張後のサンプルには、どの元動作から来たか、どの目標本体を経たか、どの動力学後処理を経たか、どのシミュレーション拡張ラウンドか、どのアノテーションバージョンか、物理検証を通過したかがマークされます。これにより、訓練システムは異なるバージョン間で安全に再利用・対照・ロールバックでき、品質フィードバックは問題発生時に責任を具体的な拡張工程に特定できます。
クロスボディ・リターゲティング(緑色マーク)後、動力学拡張によって生成された動力学的一貫性の高い高品質データ(赤色マーク)。データの滑り、貫通、浮遊などの状況が明らかに減少しました。
品質フィードバック:モデル訓練結果を生産システムに戻す
従来のモーションキャプチャ品質検査は軌道がクリーンかどうかを主に見ますが、CWMデータファクトリーの品質管理は2段階です。まず生産ラインに沿って階層的な関門を設け、次にモデル訓練の結果を用いてクローズドループフィードバックを行います。
第一段階は階層的な関門です。一つのサンプルが動作要求から訓練セットに至るまで、順に4つの独立した品質検査を通過します。4層の関門が共同で候補サンプルを訓練セットに入る資産に選別しますが、本当に汎用的な全身運動能力を訓練できるかどうかは、最終的にモデルだけが教えてくれます。
- 設計層
では、動作要求が本当に能力ギャップに合致しているか、運動カバレッジマップで依然として疎なセルをカバーしているか、現場で実行可能な動作プランに落とし込めるかを確認します。この層は「収集すべきかどうか」を管理します。
- 元データ層
では、演者が設計意図を完全に表現したか、収集が同期しているか、キャリブレーションが適切か、フレーム欠落・ドリフト・キーポイント異常・骨長不安定などの基本的な収録問題がないかを確認します。この層は「収集が正しいかどうか」を管理します。
- リターゲティングデータ層
では、候補軌道が目標本体上で構造的に到達可能か、関節が制限を超えていないか、接触関係が成立するか、動作の意味論がリターゲティング後も保持されているかを確認します。この層は「目標本体に移しても成立するかどうか」を管理します。
- 拡張データ層
では、動力学後処理後も追跡可能で、貫通なし、トルク超過なし、摩擦円錐違反なしか、シミュレーション拡張と意味アノテーションに正しいバージョン・由来記録が付いているかを確認します。この層は「訓練セットに入れて本当に有効かどうか」を管理します。
第二段階は結果のクローズドループです。訓練側は各モデル評価結果、例えばどの動作カテゴリがどの本体で学習安定したか、どの移行が失敗したか、どの接触状態が訓練収益が最も低いか、どのサンプルが4層の関門を通過しても実際の利益をもたらさなかったかを、書き戻し可能な失敗プロファイルに集約します。どの本体、どの動作カテゴリ、どの接触状態、どの訓練バージョンで問題が起きたか、問題の原因を設計、元データ収集、リターゲティング、拡張のどの工程に帰属させるかを記録します。
失敗プロファイルは上流の各層に直接書き戻されます。設計層はこれに基づいて運動カバレッジマップの優先順位と収録計画を調整します。元データ層は収集規格、同期戦略、現場品質検査閾値を調整します。リターゲティング層はアルゴリズム能力を反復します。拡張層は動力学後処理の強度、シミュレーション多様性設定、アノテーション基準を調整します。
2段階を合わせることで、データファクトリーは継続的な反復クローズドループを形成します。実際の運用では二つのラインが並行して進みます。一つは長期的判断に基づく能動的カバレッジで、運動カバレッジマップに従って人間の全身運動ライブラリを拡張し続けます。もう一つはモデル訓練側のフィードバック穴埋めで、失敗プロファイルに従って上流の各層を埋め戻します。各ラウンドが回るごとに、データ資産の品質、クロスボディカバレッジ密度、訓練収益が同時に少しずつ向上します。回るほど正確に、回るほど速くなることが、CWMデータファクトリーが時間とともに複利を生む核心的な源泉です。

05 最後に:当社データファクトリーの現状と未来
過去3か月間、私たちは社内パイロットでクロスエンボディメント全身モーションデータファクトリーのエンドツーエンドリンクを検証しました。この段階の目標は最大生産能力の追求ではなく、生産システム全体を実際に稼働させることでした。動作設計をシステム管理できるか、マルチソース収集を安定してアライメントできるか、リターゲティングを新本体に迅速に適応できるか、拡張と品質検査が候補軌道を訓練可能な資産に変えられるか、訓練フィードバックが次の生産サイクルに戻れるか。
このリンクに沿って、私たちは累計で約1000時間の高品質CWMデータを生み出しました。このデータで訓練した全身運動モデルは、最終的に10機種以上の構造、駆動性能、質量分布、慣性分布が大きく異なる脚式ロボットで重要な検証を完了しました。
現在、この方案は社内の実行可能性検証を完了し、データファクトリーも正式な建設を間もなく完了します。次の段階の重点は、パイロット検証から大規模生産への移行です。施設、収集スタジオ、モーションキャプチャ機器、動作設計チーム、演者編成、アルゴリズム・シミュレーション・訓練計算クラスタを同時に拡張し、検証済みの生産ラインをより大きな規模で安定的に稼働させます。
私たちの目標は、新工場の稼働後、毎月数千時間レベル、複数構成のロボット向けの高品質CWMデータ生産能力を形成し、「数千時間→数万時間」へと段階的に拡大することです。この過程で、データ品質、クロスボディ再利用率、訓練利益が同一の生産基準として継続的に評価され、新しいデータの各バッチが、何種類の本体で動作するか、どの動作カテゴリで実際の訓練収益に貢献したかを答えられるようにします。「何時間採れたか」だけではなく。





界面新闻
深视新闻
深圳特区报
财新
36氪
钛媒体
中国新闻周刊
蓝鲸新闻
Z Finance
投资家网
雷峰网
亿欧
环球网
南方日报
极客公园



