フィジカルAIで変わるロボットの在り方、ヒューマノイドロボットの衝撃：デジタルツイン×産業メタバースの衝撃（9）（2/5 ページ）

[小宮昌人／d-strategy,inc，MONOist]

物流や医療で進むフィジカルAIの事例

　Amazon.comなどの物流現場では、ピッキングロボットや自律搬送ロボット（AGV／AMR）の学習に合成データが活用されている。

　手法としては、メタバース環境で仮想的にロボットの動作環境を再現し、そこでインテグレーションやトレーニングを行う。生成AIにより、さまざまな荷姿や周囲の状況、走行環境といったあらゆるシナリオを想定し、高速かつ安全に学習を行うことが可能となっている。

図3：Amazon.com倉庫におけるフィジカルAI活用［クリックで拡大］ 出所：NVIDIA

　医療分野では、フランスの手術ロボット企業Moon Surgicalが、膨大な手術パターンについて生成AIを用いてシミュレーションを実施している。失敗が許されない医療現場において、仮想空間での事前学習は極めて重要となる。

図4：手術ロボットにおけるフィジカルAI活用［クリックで拡大］ 出所：Moon Surgical

フィジカルAIによる自動運転／モビリティへの影響

　フィジカルAIの影響を最も大きく受けているのがモビリティ（自動運転）の領域だ。従来の開発手法からのパラダイムシフトが起きている。

高精度マップ（HDマップ）からの変化

　従来、自動運転には道路形状や標識などを詳細に記録した「HDマップ」が必須とされ、その作成と維持には多大なコストがかかっていた。しかし現在は、AIが車線や道路境界、路面状況などをリアルタイムで予測し、補完する技術が進化している。ユーザー入力に基づき、AIが高解像度マップとして現実的な運転環境を生成する「Map LLM」のような技術も登場しており、開発の高速化と精度向上が図られている。

図5：AIが車線や道路の境界、路面状況、道路の形状などをリアルタイムで予測し補完［クリックで拡大］ 出所：NVIDIA

図6：AIを通じて現実空間の環境を生成し、自動運転の開発や学習に生かす［クリックで拡大］ 出所：NVIDIA

AIエージェントによるシミュレーション

　自動運転の開発プロセスでは、サイバー空間上に構築された仮想走行環境が活用されている。「雨天夜間の高速道路」や「見通しの悪い山道での緊急停止」といった、現実では再現が難しい危険な状況をシミュレーション環境内に生成する。そこに自然でリアルな動作をする車両や歩行者のAIエージェントを配置し、徹底的なトレーニングを行ってから実車に実装する流れが定着しつつある。

図7：仮想走行空間にAIエージェントを配置し様々なシミュレーションを実施［クリックで拡大］ 出所：NVIDIA

「ルールベース」から「End-to-end AI」へ

　従来の自動運転は、人間が定義したルール（If-Thenルール）に基づく制御が主流だった。しかし、ルールベースでは「実際の停止標識ではない紛らわしい看板」や「道路工事中の複雑な誘導」といったイレギュラーなケースに対応しきれない課題があった。

　これに対し、現在は「End-to-end AI」への転換が進んでいる。これは、カメラ映像などの入力から、「認知、判断、操作」までを巨大なニューラルネットワーク（LLMなど）が一気通貫で処理する方式だ。

図8：自動運転の在り方の変化［クリックで拡大］　出所：Turingのプレゼンテーション資料

　例えば、自動運転スタートアップのTuringは、LLMの環境認識能力を生かしたカメラベースでの自動運転を目指している。LLMが文脈や環境を理解することで、工事現場の誘導員やカラーコーンの配置を見て「対向車線にはみ出して回避すべきか、一時停止すべきか」といった人間のような柔軟な判断が可能になる。

図9：LLMによるイレギュラーな事象への対応［クリックで拡大］　出所：Turingのプレゼンテーション資料