AIが物理法則を理解「未来見て」手荷物積込み NTTが失敗回避する技術開発:製造現場向けAI技術

NTTは、ロボットが動く前に荷崩れや落下などの結果を予測し、成功につながる行動を選択できるフィジカルAI技術を開発した。物理法則に基づく「物理制御アダプタ」を映像生成モデルに統合している。

» 2026年11月11日 15時30分 公開
[MONOist]

 NTTは2026年11月11日、ロボットが実際に行動する前に、複数の行動候補について荷崩れや落下などの結果を予測、評価し、成功につながる行動を選択できるフィジカルAI(人工知能)技術を開発したと発表した。

 最初の適用領域として、形状や重量が異なる多様な空港手荷物の積込みや積降ろしを想定している。今後はMujinと連携して社会実証を進め、将来は物流、倉庫、製造、建設、小売など幅広い分野のフィジカルAIへ展開し、現場の省人化と生産性向上に貢献することを目指すという。

フィジカルAIにおける今回の技術の位置付け フィジカルAIにおける今回の技術の位置付け 出所:NTT

物理法則と映像生成モデルを統合した「NTTワールドモデル」

 新技術の基盤となる「NTTワールドモデル」は、ロボットの行動に応じて未来の状態変化を予測する内部モデルだ。人間は目や耳から得た情報と経験的に理解している世界の仕組みを基に、無意識に未来を予測して行動している。NTTワールドモデルは、この「先読みする力」をフィジカルAIに付与することを目指している。

今回の技術による行動選択の概要 今回の技術による行動選択の概要 出所:NTT

 従来のワールドモデルでは、物体の物理量を内部で明示的に扱わないため、生成映像の中で物体が消失、変形したり、衝突などの相互作用を正しく予測できなかったりする課題があった。また、学習データに含まれない場面では予測が破綻しやすいという問題も抱えていた。

 今回、NTTでは物体の位置や姿勢、質量(重さ)、速度(動く速さ)、角速度(回る速さ)、慣性モーメント(動き/回転の変わりにくさ)といった物理量を明示的に扱い、運動方程式に基づいて状態変化を予測する「物理制御アダプタ」を独自に開発した。そして、ワールドモデルの基盤となる映像生成モデルに世界で初めて(同社より)統合した。

 カメラ映像から「布」「プラスチック」といった言葉で素材を分類するのではなく、画像の特徴からベクトルを生成し、物理量として推定するアプローチをとっている。

NTTワールドモデルの概要 NTTワールドモデルの概要[クリックで拡大]出所:NTT

 物理制御アダプタの計算結果を映像生成に反映することで、物体の消失や変形を抑え、相互作用をより正確に予測できるという。物理法則を明示的に扱うため、学習データに含まれない未知の場面や動きの予測にも対応するとしている。また、スーツケースの中身の偏りなど、画像からだけでは推測が難しい情報については、事前計測された重量データや、ロボットアームのトルクセンサー、触覚センサーなどの外部情報を統合して精度を高める仕組みも検討されている。

既存のロボット制御プログラムと連携

 NTTが開発したフィジカルAI技術は、既存のロボット制御ソフトウェアと連携し、判断を補強する形で適用できる。VLA(視覚言語行動モデル)やモーションプランナーなどが生成する行動候補について、それぞれを実行した場合の未来を予測し、荷崩れや落下などの結果を行動計画の評価として出力する。

NTTワールドモデルによる複数の行動候補の予測/評価 NTTワールドモデルによる複数の行動候補の予測/評価[クリックで拡大]出所:NTT

 計算コストを抑え作業スピードを維持するため、ロボットの全ての動作を予測するのではなく、モノを置く瞬間など「失敗のリスクが高く、選択肢が複数ある難しいポイント」に絞って数秒間だけ予測を挟む運用を想定している。演算自体は、MEC(マルチアクセスエッジコンピューティング)などのAIサーバを用いて高速に処理される見込みだ。

 同技術は、複数の行動候補を実行した場合の未来を映像として生成し、物体の落下や衝突の有無などを評価することで、成功につながる行動を選択可能にし、ロボットの行動失敗率を低減する。映像生成のベースモデルには、「NVIDIA Cosmos Predict 2.5」などのオープンソースモデルが活用されている。

今回の技術の中核となる将来予測モデルの構成 今回の技術の中核となる将来予測モデルの構成[クリックで拡大]出所:NTT

 NTTが小型ロボットを用いて荷物の積付け作業を模擬した棚積みタスクを設定し、同技術の適用有無による成功率を比較した結果、適用により成功率が73.1%から92.3%に向上した。また、複数物体の衝突を含む公開ベンチマーク「OBJ3D」を用いた予測映像の評価(LPIPSスコア)でも、市中の映像生成モデル「NVIDIA Cosmos Predict 2.5」や既存の高精度手法「OCK」を上回る予測精度を確認したという。

 同技術は、2026年11月18〜25日に開催される「NTT R&D FORUM 2026」で展示される予定だ。

※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

Copyright © ITmedia, Inc. All Rights Reserved.
本記事は制作段階でChatGPT等の生成系AIサービスを利用していますが、文責は編集部に帰属します。

特別協賛PR
スポンサーからのお知らせPR
Pickup ContentsPR
Special SitePR
あなたにおすすめの記事PR