Axis Roboticsの取り組みが、データ収集から実際の製造現場へ広がっている。
同社はLotus Cars、Geely Autoとの商用パートナーシップを発表した。
対象となるのは、自動車生産ラインにおける部品の仕分けだ。
Axisの「Sim2Real」技術を使い、実際の生産ラインまで自動化する。
シミュレーションから実際の工場へ
Axisはこれまで、シミュレーションを使ったロボット学習を進めてきた。
今回の取り組みでは、その技術を実際の自動車製造へ展開する。
まず、実際の生産ラインをもとにシミュレーション環境を構築する。
その中でロボットに部品仕分けを学習させる。
完成したポリシーを、実際の生産ラインへ導入する流れだ。
Axisはこれを「Industrial Sim2Real」と位置付けている。
500〜800種類の自動車部品に対応
今回のシステムでは、500〜800種類の自動車部品を扱う。
1つの導入ソリューションで、多数の異なる部品に対応する設計だ。
従来のように、部品ごとに個別の動作を設計する負担を減らせる可能性がある。
Axisは、仕分け工程を人手による中間作業なしで自動化するとしている。
工程は「Assess」「Simulate」「Train」「Deploy」の4段階となる。
現場を分析し、シミュレーションを作り、AIを学習させる。
最後に実機へ展開するところまでAxisが担当する。
「データを集める会社」から次の段階へ
この提携で注目したいのは、Axisの事業領域が広がっている点だ。
同社は世界中からロボット学習データを集める仕組みを構築してきた。
しかし、データそのものを集めることが最終目的ではない。
集めたデータを使い、実際に動くロボットへつなげることが重要になる。
今回の自動車製造への導入は、その流れを分かりやすく示す事例となった。
Sim2Real研究でも新たな成果
研究面でも新しい結果が公開されている。
Axisは10月7日、Sim2Real学習に関する実験結果を発表した。
実験では、1タスクあたり実世界データを10件だけ使用した。
そこへ適切に選んだシミュレーションデータを加えて学習した。
その結果、実機での平均成功率は16.7%から85.8%まで上昇した。
一方、シミュレーションデータをすべて投入した場合は25.8%だった。
重要なのは「データ量を増やせばいい」わけではない点だ。
どのシミュレーションデータを学習させるかが結果を大きく左右した。
Axisは「TUCO」という手法で、学習に有効なデータを選択している。
なお、この結果は特定の実験条件で得られたものだ。
未知の環境への汎化性能などは、今後さらに検証する必要がある。
Challenger Programも拡大
コミュニティ側でも新しい動きがある。
Axisは、高難易度タスク向けのChallenger枠を拡大している。
Challengerは、通常より難しいデータ収集タスクに参加できる仕組みだ。
通常タスクと比べ、2〜3倍のAxis Pointsが設定されている。 AXIS ROBOTICS
バッジは貢献データの品質などをもとに自動で付与される。
ユーザーが手動で応募する仕組みではない。
Axisは単純な作業量ではなく、データ品質を重視する方向を強めている。
Physical AIの「実用化」が焦点に
Axisの最近の動きを見ると、方向性はより明確になっている。
コミュニティから大量のデータを集める。
必要なデータを選別する。
AIモデルを学習する。
そして、実際のロボットや製造ラインへ展開する。
この一連のサイクルを大規模化するのがAxisの戦略だ。
Lotus CarsとGeely Autoとの取り組みは、その商用化を象徴する動きとなる。
Physical AIが研究だけでなく、実際の産業にどう入っていくのか。
2026年後半のAxis Roboticsで、特に注目したいポイントだ。
コメント