動画像から人の動きを学習し、さまざまなロボットへ適用可能なフィジカルAI技術を開発

株式会社リコーは、人間やロボットの作業動画から、ロボットの機構・身体構成に依存しない共通の「行動表現」を学習するフィジカルAI技術を開発した。中核となるのはLatent Action Model（LAM）で、「物を持つ」「前進する」「対象を移動させる」といった行動を抽象化して学習し、その表現をVision-Language Model（VLM）の学習に利用する。従来のVLAモデルでは、ロボットの種類や作業ごとに実機データを収集・再学習する負担が課題だったが、人間の作業動画を活用することでデータ収集コストを抑え、複数のロボットやタスクへの展開を目指す。AWSの計算資源を利用して学習環境を構築し、部品のピックアンドプレースを題材にシミュレーションおよび実機での動作を確認した。今後はSim2Real技術を活用し、工場、物流、保守、オフィスなどへの実環境展開を進め、人とロボットが協働するフィジカルAIの社会実装を目指す。