動画像から“動き”を学習するフィジカルAI、リコーが仮想空間で有効性確認：製造現場向けAI技術

リコーは、人間やロボットの作業する様子を収めた動画像データから、ロボットの機構や身体構成に依存しない行動表現を学習するフィジカルAI技術を開発した。仮想環境上に構築したシミュレーション環境において有効性を確認しており、今後は実環境での検証を進める。

[MONOist]

　リコーは2026年8月31日、人間やロボットの作業する様子を収めた動画像データから、ロボットの機構や身体構成に依存しない行動表現を学習するフィジカルAI技術を開発したと発表した。

LAMを活用して学習、今後は実環境で検証

　同技術では、LAM（Latent Action Model：潜在行動モデル）を活用して、人間やロボットの作業動画から「物を持つ」「前進する」「対象を移動させる」などの行動を共通表現として学習する。

　LAMは、画像や動画の変化から、観測データには明示されていない「潜在的な行動」を学習するAI（人工知能）モデルだ。仮想環境上に構築したシミュレーション環境において有効性を確認しており、今後は実環境での検証を進めながら、さまざまな作業や環境への適用可能性を評価していくという。

　今回の開発は、アマゾン ウェブ サービス ジャパン（AWSジャパン）の「フィジカルAI開発支援プログラム」を通じて提供された計算リソースおよび技術支援を活用しながら進めた。

　リコーグループでは、現場ドキュメントのAI化や定型業務のAIエージェント化など4段階のAX（AIトランスフォーメーション）ビジョンを描いている。今回の取り組みは、その中のフィジカル現場へのAIエージェント実装の一環になる。ヒューマノイドの現場展開を見据えており、ヒューマノイド向けのAIモデルの開発を進めている。

リコーのAXビジョン［クリックで拡大］出所：リコー

課題となる実機データ収集のコストを抑制

　フィジカルAIの開発では、現在のVLA（Vision Language Action、視覚／言語／行動）モデルを実際の現場で活用する際、現場課題ごとにモデルのチューニングが必要となるケースが多く、実機データの収集が負荷となっている。

　ロボットの構成によって行動の表現形式や制御仕様が異なるため、ロボットごとに学習データを集め直す必要があり、スケーラブルな導入の妨げとなっていたという。特に、ヒューマノイドにおける実機データの不足は大きな課題となっている。

　今回リコーは、ロボットの機構や身体構成に依存しない行動表現を学習するLAMを活用することで、汎用（はんよう）性の向上を目指したフィジカルAI技術を開発した。

フィジカルAIの課題とリコーのアプローチ［クリックで拡大］出所：リコー

　LAMは、行動を示すラベルが付与されていない動画データも活用できる可能性があり、フィジカルAIにおけるロボットの事前学習や行動生成などへの応用が期待されているという。また、人間やロボットの作業動画などから、行動をロボット固有の制御方式に依存しない共通表現として学習でき、この行動表現をVLM（Vision Language Model、視覚言語モデル）の学習に活用することで、多様なロボットやタスクへの適用可能性を高めたVLAモデル生成を実現した。

部品ピックアンドプレースを題材に3通りのシミュレーション環境および実機環境で駆動確認［クリックで拡大］出所：リコー

　LAMの学習には、人間の作業動画データを活用し、実機データ収集のコストを抑えながら、行動表現の再利用性向上を図っている。また、シミュレーション環境で学習した成果を実機へ展開するSim2Real技術を活用することで、実機ロボットへの迅速な導入を目指すとしている。

　開発では、AWSのクラウド技術を活用し、効率的な学習環境を構築した。「Amazon EC2」や「Amazon S3」などのサービスを活用することで、大規模なデータ処理やモデル学習を効率的に実施したという。

　リコーは今後、オフィス、工場、物流、保守などの現場を想定し、さまざまな作業や最適なロボット構成についての検証を進めるとしている。

※本記事は制作段階で生成系AIを利用していますが文責は編集部に帰属します（ITmedia AI倫理ポリシー）。

⇒その他の「製造現場向けAI技術」の記事はこちら