AstribotのSmoothRL、難易度の高いロボットタスクで成功率を3倍に
「SmoothRL」と呼ばれるトレーニングパイプラインの修正により、AstribotのS1ヒューマノイドは、新たなハードウェアを導入することなく、難易度の高い操作タスクにおける成功率を39%から94%まで引き上げることができた。

Astribotの動的投擲の成功率は39%から94%へと跳ね上がった。ペンキャップの配置タスクの成功率は8%から83%に、パッケージ開封の成功率は30%から90%へと上昇した。 これらの向上は、新しいハードウェアや大型モデル、あるいは追加の学習データによるものではない。これらは、ロボットの強化学習アルゴリズムが自身の動作をカウントする方法における計算上の誤りを修正したことに起因しており、深センに拠点を置く同社はこの修正を「SmoothRL」と呼び、今週公開した。
2022年12月に設立され、深センに拠点を置くAstribot社は、二足歩行ではなく移動操作を目的として設計された車輪付き二腕ヒューマノイド「S1」を開発している。同社は、安定した車輪式ベースの方が、脚を持つロボットよりも早く、商業的に実用可能な信頼性をロボットにもたらすと見込んでいる。 SmoothRLは新しいロボットでも新しいモデルでもありません。これは、これらのシステムが訓練される方法と、実際に導入された後の動作との間に生じる不一致を是正したものであり、その結果として生じた性能の飛躍的な向上は、具現化されたAIにおいて、訓練手法がそれを支えるハードウェアと同じくらい重要になり得ることを改めて示唆しています。
ロボットの学習方法と動作方法のギャップ
ロボット向けの強化学習のセットアップの多くは、クリーンで同期的なループを前提としています。つまり、モデルが動作を生成し、ロボットがそれを完全に実行し、モデルが結果を観察し、その後に初めて次の動作を計算するという流れです。 実際に導入されたロボットは、そのように待機することはありません。なぜなら、思考のために一時停止することは、タスクが要求する速度よりも遅くなるからです。その代わりに、ロボットは非同期的に動作します。つまり、モデルがバックグラウンドですでに次の動作を計算している間も、ロボットは現在の動作を継続して実行するため、アクション間のデッドタイムが生じないのです。 研究者の王建安氏率いるAstribotのエンジニアたちは、この効率化の手法が、強化学習が依存している前提を密かに破っていることを突き止めました。ロボットが「アクションチャンク」と呼ばれる一連の計画された動作を生成しても、それを部分的にしか完了しないうちに、更新された新しいチャンクが残りの動作を上書きしてしまう場合、標準的な
強化学習では、破棄された部分に対しても、あたかも実際に起こったかのように評価(功績や責任)が割り当てられてしまいます。その結果、モデルは実際には起こらなかった出来事のバージョンに基づいて学習することになってしまいます。SmoothRLの解決策は、すべてのアクションチャンク内の3つの異なる領域を追跡することにある。すなわち、「コミット領域」(以前の推論サイクルで既に確定したアクション)、「実行領域」(ロボットが実際に実行したアクション)、そして「破棄領域」(計画されたものの、新しいチャンクに置き換えられたため実行されなかった動作)である。 このフレームワークは、勾配更新を実行領域にのみ適用するため、モデルはロボットが単に意図した行動ではなく、実際に実行した行動のみから学習することになります。 Astribotはこれに、「Reinforce in Deployment」と呼ばれる手法を組み合わせています。これは、クリーンな同期シミュレーションでポリシーを学習させ、その挙動が実環境に転移することを期待するのではなく、実環境で直面するのと同じ非同期条件下でポリシーを学習させるものです。
なぜ改善が「大きなミスの減少」として現れるのか
見出しとなる数値の割合を報告するのは簡単ですが、より有益な詳細は、その裏で何が変わったかという点にあります。 AstribotがS1で行った内部テストによると、SmoothRLの修正後の失敗は性質が根本的に変化し、ロボットが間違った物体を掴んだり、目標から大きく外れたりするような根本的なエラーから、事後の調整で修正がはるかに容易なミリメートル単位の配置誤差へと移行したことが判明した。 この違いは、単純な成功率の向上よりもシステムインテグレーターにとってはるかに重要です。なぜなら、数ミリメートルの誤差で失敗するロボットはファームウェアの更新で調整できるのに対し、全く別の物体を掴んでしまうようなロボットは生産ラインから外さなければならないからです。
SmoothRLが最大の飛躍を遂げたタスクである「ダイナミックスロー」は、意図的に難易度を高めたベンチマークです。このタスクでは、ロボットが動作の途中で正確なタイミングで物体を放す必要があり、放出後の修正の余地が一切ないため、
これは、制御ポリシーが単に学習データとのパターンマッチングを行うのではなく、行動がもたらす物理的な結果を実際に理解しているかどうかを測る、極めて厳格なテストである。タイミングの誤差がこれほど厳しく罰せられるタスクにおいて成功率が3倍近くに跳ね上がったという事実は、速度が遅く、許容度の高いピック・アンド・プレース・タスクでの同様の改善とは、本質的に異なる成果である。購入者にとって実際に何が変化するのか
これらはいずれも、Astribot社自身のテスト以外では独立して検証されておらず、同社は評価セットの規模や多様性を公表していないため、具体的な数値は、ピアレビューを経た結果というよりは、同社が報告したベンチマークとして捉えるべきである。 この主張が一般的なベンダーのベンチマークよりも信憑性が高い理由は、そこで説明されている失敗モード、すなわち非同期実行が強化学習のクレジット割り当てを妨げるという現象が、実世界の速度で推論を実行するあらゆるヒューマノイドプラットフォームに影響を及ぼす構造的な問題であり、特定の企業のハードウェアを称賛するために狭義に設計された修正策ではない点にある。 SmoothRLの中核となる知見が一般化可能であるならば、競合他社は、Astribotの具体的なアプローチをライセンス取得するにせよ、独自に同様の解決策に到達するにせよ、いずれ何らかの形でこの方法論の改善を採用せざるを得なくなるだろう。
操作の信頼性についてヒューマノイドベンダーを評価する調達チームにとって、実用的な教訓は、「成功率はどれくらいか」という質問よりも、より具体的な質問を投げかけることだ。 その代わりに、リアルタイム推論中に計画された動作と実行された動作の間に生じるギャップを、ベンダーのトレーニングパイプラインがどのように処理しているかを尋ねるべきだ。なぜなら、そのギャップはブランドを問わずあらゆる非同期展開に存在するものであり、この問題に対処していないベンダーは、正しく測定さえできていないかもしれない信頼性の低下を、知らず知らずのうちに被っているからだ。 この質問に全く答えられないベンダーは、自社のハードウェアが実行のたびに違反している「同期」という前提に基づいて、依然としてトレーニングを行っていることになる。
範囲は狭いものの、影響は広範囲に及ぶ修正
Astribotは
SmoothRLが、既存のS1導入環境向けの顧客向けアップデートとして提供されるのか、それとも同社がより広範な研究分野に向けて公開する研究成果として提供されるのか、またその時期については現時点では発表されていない。 どちらの道も重要だ。もしこれが全フリートを対象としたソフトウェアアップデートとなれば、既存のアストリボット(Astribot)顧客は、新たなハードウェアへの投資なしに、信頼性の大幅な向上を得ることができる。これこそが、ロボットベンダーとのサブスクリプションやサービス契約の価値を正当化する、ソフトウェア主導の利益そのものである。 もし公開された手法にとどまる場合、その真価が問われるのは、独立した研究所や競合するヒューマノイド企業が、自社のハードウェア上で報告された性能向上を再現できるかどうかという点にある。それができれば、この修正がAstribotの制御スタックに特有の奇妙な現象ではなく、業界全体に共通する真の盲点を解決していることが裏付けられることになる。いずれにせよ、この結果は、ヒューマノイドロボットに関する報道でよく見られる「進歩は主に大型モデルや高性能なアクチュエータによってもたらされる」という通説に対する有益な是正となります。時には、トレーニングの計算式がロボットの実際の動作と密かに合致しなくなっていたことに気づき、その不一致を修正することから進歩が生まれることもあるのです。
中国のヒューマノイド分野におけるより広範な傾向
Astribotのタイミングは偶然ではない。 中国のヒューマノイドメーカー各社は、2026年の大半を、市場が過密化する中で差別化された技術的主張を競って発表することに費やしてきた。そして、その競争の焦点は、ハードウェアの純粋な仕様、自由度、トルク値、最高速度といった要素から、ロボットが実際にデモブースを離れても十分に信頼できるかどうかを決定づけるソフトウェアや学習層へと、ますますシフトしつつある。 SmoothRLはまさにこのパターンに合致している。これはS1が物理的に何ができるかという主張ではなく、すでにできることをどれほど一貫して実行できるかという主張であり、これは説得力を持って偽装するのが難しく、本物であれば、スペックシートよりも持続的な競争優位性となる。
この変化に伴い、購入者がベンダー評価の際に求めるべき証拠も変わってくる。A
自由度の数や定格トルクなどは、仕様書を見れば数分で確認できます。一方、トレーニング手法、クレジットの割り当て、非同期実行に関する主張については、独立した再現実験を行うか、あるいはベンダーに対する一定レベルの技術的信頼が必要となりますが、ほとんどの調達プロセスでは、まだその信頼性を評価する仕組みが整っていません。 Astribot社が、専門誌が「3領域アクション・チャンク機構」について解説できるほど詳細にその手法を公開していることは、単に「信頼性が向上した」と主張するだけでその理由を説明しない企業に比べ、はるかに検証可能な情報開示である。 今年、ヒューマノイドベンダーの信頼性に関する主張を評価する購入者は、パーセンテージの数値を鵜呑みにする前に、同レベルのメカニズムに関する詳細情報を求めるべきである。本分析は、AstribotによるSmoothRLフレームワークの公開技術情報および、2026年9月の同フレームワークの公開に関する独立した中国語の技術報道に基づいています。本記事は一般的な情報提供のみを目的としており、投資、財務、または法的助言を構成するものではありません。












