ヒューマノイドロボットは人間に似た形態を持つため、敏捷で多様な運動能力を発揮する可能性を秘めている。しかし、複雑なスキルを習得させることは大きな課題となってきた。従来の学習から実演（Learning-from-Demonstrations）手法は、実世界のデータ収集に高いコストがかかること、特定の動きの特性を捉えることの難しさ、そして個人差による実演の多様性の限定性により、大きな制約を受けていた。 研究者らが今回提案した新しいフレームワークは、生成AIの力を活用して、テキストプロンプトをリアルで多様な人体の動きのシーケンスに変換するというアプローチを採用している。このアプローチにより、ロボットは同じタスクを複数の異なる方法で実行する様子を観察できるようになる。生成されたこれらの合成的実演は訓練リソースとして活用され、ロボットが直接的な人間の介入を必要とせずに、広範なタスク実行スタイルを学習することが可能になる。 研究チームは4つのシミュレーション環境でこの手法を評価した。実験結果は、ロボットがタスクを単に成功裏に完了するだけでなく、複雑な動きの変動への強い適応性も実証していることを示している。実世界データなしで多様な学習が実現できることから、今後のロボット開発における効率化と柔軟性の向上が期待される。