行動基盤モデル（BFM）は、大規模モーションデータセットに基づいて物理的に妥当な動作を潜在空間に整理することで、ユニバーサルな物理ベース文字制御への有望な道を提供しています。これらのモデルは目標到達や状態ベースの報酬最適化といった時不変タスクに優れていますが、モーションシーケンスの追従のような時変的な目的には、潜在空間が直接対応していません。従来のモーション追従手法は移動ウィンドウ平均化といったヒューリスティックに依存していますが、これらは動的なモーションの細微な違いを捉えることに失敗しています。 本研究では、これらの問題を解決するための新しい潜在シーケンス最適化（LSO）手法を提案しています。このアプローチはシミュレーション展開とポリシー勾配更新を組み合わせ、潜在変数のシーケンスに対して最適化を行うことで、報酬エンジニアリングやチューニングを必要としない正確なモーション追従へとBFMの能力を拡張しています。 平滑で一貫性のある潜在軌跡へと最適化を導くため、研究チームは時間相関ノイズを用いて潜在シーケンスをモデル化しています。提案手法は密な追従、疎なキーフレーミング、実際のヒューマノイドロボットへの直接配置を含む様々なシナリオで検証されており、物理ベースのキャラクタ制御における実用的な応用可能性を示しています。