ロボットによる効率的なデータ収集を実現するための全身テレオペレーション技術は、移動操作タスクにおいて極めて重要です。従来のアプローチではエクソスケルートスーツや複数カメラシステムが必要とされており、高コスト、複雑な設定、環境的制約といった多くの課題を抱えていました。近年、単一の拡張現実（XR）デバイスと強化学習ポリシーを組み合わせた手法が登場していますが、ロボット固有の再学習が必要であること、分布外の状況での失敗、動的実行可能性を考慮しない動作変換などの問題が残されていました。 新たに提案されたX-OPフレームワークは、単一のXRデバイスから得られるオペレータの意図に基づき、異なるロボット形態に対して再学習なしに適応できる階層的全身テレオペレーションシステムです。モデル予測制御（MPC）ベースの動作変換器が、オペレータの意図への適合性とロボットの動的実行可能性を同時に最適化し、既存の低レベルコントローラに対して最適なコマンドを生成します。実行時の堅牢性を確保するため、状態同期化手法によりシミュレータの状態をMPCの各ステップでリセットし、ノイズの多い現実世界の測定値や接触感度に対応します。同時にSLAMベースのグローバルポーズフィードバックを統合することで、長期的なドリフトを軽減します。 シミュレーション結果では、ヒューマノイドロボットにおいて完了時間が30％低減し電力消費が20％削減されるほか、移動マニピュレータではゼロ衝突を達成するなど、従来手法を大きく上回るパフォーマンスを示しました。実世界実験でも提案手法の有効性と柔軟性が検証され、両プラットフォームでの全身制御タスク実行と、ユーザー設定に基づいたリアルタイムな動作カスタマイズが可能であることが確認されています。このプラグアンドプレイ型フレームワークは、形態非依存的で拡張性の高い全身ロボットテレオペレーション技術として、多様なロボットプラットフォームへの広範な適用可能性を持つものとなっています。