ロボット工学における未知のシナリオでの迅速な動作計画は、長年の課題となっています。特にヒューマノイドロボットによる移動・操作タスク（ロコ・マニピュレーション）は、高次元かつハイブリッドな性質に加えて、アンダーアクチュエーテッド（駆動力が限定的）な特性を持つため、その実現が極めて困難です。 本研究では、この課題に対して「FARO」と呼ばれる入れ子構造のキノダイナミクスフレームワークを提案することで、対応しています。このフレームワークは、与えられた接触シーケンス（ロボットが環境と接する順序）に対して、迅速な実行可能性チェックと動力学的に一貫性のある軌跡生成を実現するものです。 さらに注目すべき点は、このモジュールに実行可能性を考慮した木探索アルゴリズムと、大規模言語モデル（LLM）ベースの接触計画サンプリング戦略を統合したことです。LLMを活用することで、ロボットが新たなシナリオに対してより効率的に解法候補を探索できるようになり、全体的な計画プロセスが大幅に改善されます。 生成された軌跡は、強化学習（RL）ベースのコントローラによって追従可能であることが検証されており、実際のロボット環境での実行に十分な品質を備えていることが示されています。このアプローチにより、ヒューマノイドロボットが実世界でのロコ・マニピュレーションタスクを自律的に実行する可能性が広がります。