「教える」から「自ら学ぶ」へ。試行錯誤でバラ積みの山を攻略するフィジカルAIロボット。

製造現場における深刻な人手不足や、消費者ニーズの多様化に伴う多品種少量生産への移行により、工場の自動化はかつてないほど重要性を増しています。これまで工場で活躍してきた産業用ロボットは、人間があらかじめプログラミングした（ティーチングした）動作を正確かつ高速に繰り返すことには非常に長けていました。しかし、少しでも部品の配置が変わったり、環境に変化が生じたりすると、たちまち対応できなくなってしまうという「柔軟性の欠如」が大きな弱点でした。

こうした中、ビジネスやテクノロジーの最前線で急速に注目を集めているのが「フィジカルAI」という技術です。これまでのAI（例えば生成AIなど）が主にデジタル空間内で文章や画像を作成する「知的なタスク」をこなす「脳」の役割を果たしていたのに対し、フィジカルAIはカメラやセンサーを通じて現実世界（物理空間）の状況を理解し、ロボットなどの「体」を持って自律的に判断・行動する技術の総称です。デジタル空間の知能と現実世界の身体性を統合したフィジカルAIは、想定外の事態が起こる現実環境においても、自律的に状況を把握して行動を修正できる可能性を秘めています。

今回紹介するのは、このフィジカルAIの概念をいち早く製造現場に具現化した、産業用ロボットの世界的リーダーであるファナック株式会社と、AI開発のトップランナーである株式会社Preferred Networksの共同出願技術です。

従来のシステムにおいて、かご状の箱に無造作に積み上げられた部品（バラ積みワーク）を取り出す作業は、三次元計測器で取得した画像をもとに、人間が「どの部品を」「どのような角度で」掴むかを事前に細かく設定・教示する必要があり、多大な労力と時間を要していました。しかし本特許のシステムでは、「強化学習」や「深層学習」を用いることで、人間が細かい動作をプログラムすることなく、ロボット自身が試行錯誤を通じて「最適な取り出し方」を自律的に学習します。

今回は、単なる自動機械だったロボットが、まるで人間のように「失敗から学び、成長する賢い作業員」へと進化する、自律学習システムのメカニズムを解説します。

自律的に考え、試行錯誤から学ぶ：ファナックの「バラ積みピッキング」強化学習システム

製造現場における深刻な人手不足や、消費者ニーズの多様化に伴う多品種少量生産への移行により、工場の自動化はますます重要になっています。これまでの産業用ロボットは、決められたプログラム通りに正確に同じ動作を繰り返すことには長けていましたが、少しでも環境や部品の配置が変化すると対応できないという弱点がありました。

ところで近年、ビジネスやテクノロジーの最前線で「フィジカルAI」という概念が注目を集めています。フィジカルAIとは、AIがカメラやセンサー等を通じて現実世界（物理空間）の状況を理解し、ロボットなどの「体」を持って自律的に判断・行動する技術の総称です。従来のロボットがプログラムされた動作を繰り返すだけだったのに対し、フィジカルAIはデジタル空間で培われたAIの知能（脳）を現実世界のロボットの身体性に統合し、状況の変化に柔軟に適応できる点が特徴です。

今回は、このフィジカルAIの先駆けとも言える、人間の事前のプログラミングなしに自らの試行錯誤を通じて最適な行動を自律的に学習する、ファナックとPreferred Networksによる特許出願について解説します。

１．背景と課題

従来のロボットシステムでは、かご状の箱に無造作に積み上げられた部品（バラ積みワーク）を取り出す際、三次元計測器で取得した画像から「どのワークを取り出すか」「ロボットのハンドをどのように動かしてアプローチするか」を事前に細かく設定し、ティーチングペンダント等を用いてプログラミング（教示）しておく必要がありました。

しかし、バラ積みの状態は毎回異なるため、事前の設定が適切でなかったり、予期せぬ部品同士の引っかかりなどが発生したりすると、ロボットがワークをうまく掴めず落としてしまうなど、取り出しの成功率が低下するという課題がありました。

この成功率を高めるためには、人間が試行錯誤を繰り返しながら、ワークの検出設定やロボットの動作プログラムを何度も手作業で修正・改良しなければならず、多大な時間と労力がかかっていました。

どんな発明？

２−１．発明の目的

本発明は、バラ積みされた乱雑なワークを取り出す際の「ロボットの最適な動作」を、人間の介在無しに自律的に学習できる機械学習装置、ロボットシステム、および機械学習方法を提供することを目的としています。

２−２. 発明の詳細

本発明は、強化学習（Q学習など）や深層学習（ディープラーニング）を用いて、ロボット自身が試行錯誤しながらワークの最適な取り出し方を学習するシステムです。

1 　強化学習を用いたシステム全体構成

図1は、ロボットシステム10の全体構成を示しています。かご状の箱11にバラ積みされたワーク12を、力センサ17を備えたハンド部13を持つロボット14が取り出します。三次元計測器15がワークの三次元マップを計測し、座標計算部19が各ワークの三次元位置や姿勢を計算します。機械学習装置20の「状態量観測部21」はこれらのデータ（ロボットの状態や環境）を観測し、「動作結果取得部26」はワークの取り出しが成功したか失敗したか（力センサ17の検出値などから判断）を取得します。

図１

図4は、その学習処理のフローチャートです。機械学習装置20は、三次元データをもとに最適な動作を決定し（S12）、ロボットに動作を実行させます（S13）。取り出しに成功した場合はプラスの報酬を与え（S16）、失敗した場合（壁に衝突したり落としたりした場合）はマイナスの報酬を与え（S17）、「行動価値テーブル」を更新します（S18）。この試行錯誤を繰り返すことで、将来的に最も成功しやすい行動を自ら学習していきます。

図４

2 ニューラルネットワークと深層学習

行動の価値を予測するためのモデルとして、人間の脳神経回路を模したニューラルネットワークが用いられます。図2は基本単位であるニューロンのモデルを示し、入力xに重みwを掛けて出力yを得る仕組みを表しています。

図２

図3は、これらを組み合わせた多層（三層）のニューラルネットワークを示しており、入力（画像や位置情報など）から特徴を抽出し、最適な行動を予測・推論します。層をさらに深くした「深層学習」を用いることで、複雑なバラ積みの画像データからでも高精度な学習が可能となります。

図３

3 教師あり学習と前処理の導入

図5は、強化学習の代わりに「教師あり学習」を適用したロボットシステム10'を示しています。このシステムでは、過去の成功例やシミュレーション結果などを「結果（ラベル）付きデータ」として記録部40に保持し、AIが自分の予測と正解データとの「誤差」を計算して学習モデルを更新します。

図５

また、図6に示されるように、「前処理部50」が三次元計測器の画像データ（図6(a)）を処理し、各ワークの方向を揃えたり中心の高さをゼロに合わせたり（図6(b)〜(d)）してからAIに入力することで、機械学習の負荷を大幅に低減し、効率的な学習を実現しています。

図６

4 シンプルな変形例

図7は、図1の変形例であり、座標計算部19を省略し、三次元計測器15からの三次元マップ（画像データ等）を直接、状態量観測部21に入力する構成を示しています。深層学習の能力を活用すれば、事前の座標計算なしでも、画像から直接特徴を抽出して学習することが可能です。

図７

３．ここがポイント！

この発明のポイントは、ロボットが「強化学習」によって自律的に試行錯誤し、経験から最適な行動を獲得する点です。従来のように人間が環境の変化に合わせてプログラムを細かく修正するのではなく、「取り出しに成功したらプラスの報酬、失敗したらマイナスの報酬」という極めてシンプルなルールだけを与えます。ロボットは自ら様々な取り出し角度やアプローチを試し、失敗を重ねながら「どう動けばうまくいくか」を自己学習していきます。さらに、複数のロボット同士で通信ネットワークを介して学習データを共有することで、1台のロボットが長期間かけて学ぶ経験を、複数台で分散して短期間で一気に学習（集合知化）できる点も、工場の立ち上げ時間を劇的に短縮する革新的な要素です。

４．未来予想

この特許出願に示された技術は、製造現場における「フィジカルAI」の概念をいち早く具現化したものであり、ロボットが単なる自動機械から「自ら考え、環境に適応する賢い作業員」へと進化するマイルストーンと言えます。今後、この自律学習の仕組みは、バラ積みピッキングだけでなく、組み立て、検査、仕分けなど、あらゆる工場作業へと適用範囲を広げていくでしょう。フィジカルAIがより高度になれば、急な製品設計の変更や、ラインへの予期せぬ部品の混入といった想定外の事態が起きても、ロボットが自らの目で状況を理解し、その場で臨機応変に行動を修正することが可能になるでしょう。また、熟練工の高度な感覚や「コツ」も、AIがロボットの身体を通じて学習・再現できるようになり、深刻な人手不足の解消と劇的な生産性向上の両立を実現する、次世代スマートファクトリーの不可欠な基盤となることが期待されます。

５．特許情報

ロボットが「空気を読む」時代へ。人混みを賢くすり抜ける、オムロンの次世代自律走行テクノロジー。

近年、テクノロジーの最前線において「フィジカルAI」という言葉が大きな注目を集めています。これまでのAIが主にデジタル空間内でテキストや画像を生成する「脳」の役割を果たしていたのに対し、フィジカルAIはセンサーを通じて現実世界（物理空間）を理解し、ロボットなどの「体」を持って自律的に行動する技術です。この進化により、ロボットは工場や倉庫といった限定された空間を飛び出し、駅や病院、ショッピングモールなど、私たちが生活する「動的で混雑した日常空間」へと急速に進出し始めています。

しかし、人間とロボットが同じ空間を共有するようになると、新たな「社会的な壁」に直面します。従来のロボットは、人が密集する環境では常に進路を塞がれて立ち止まってしまったり、逆に目的地へ進むために「道を空けてください」と絶えず警告音を鳴らし続け、周囲の人々に多大なストレスを与えてしまうという課題がありました。人間社会にロボットが真に溶け込むためには、単に障害物を避けて目的地に辿り着くだけでなく、周囲の人間に不快感を与えない「空気を読んだ」振る舞いが求められます。

この難題に対し、「深層強化学習」を用いた逆転の発想でスマートな解決策を提示したのが、オムロン株式会社が取得した特許です。

本特許の画期的な点は、ロボットが人間に道を譲ってもらうための「介入行動（声かけや警告など）」に対して、あえて「マイナスの報酬（ペナルティ）」を与える学習モデルを構築したことにあります。これにより、ロボットはむやみに介入して迷惑をかけることを避け、「基本は上手く人間を避けつつ、どうしても進めない本当に必要な時だけ、最小限の介入を行う」という、まるで熟練の歩行者のような絶妙なバランスを自律的に獲得します。

デジタルと現実世界を繋ぐフィジカルAIが、いかにして人間社会の「暗黙のルール」を学習し、私たちとストレスなく共生する未来を実現しようとしているのか、その制御メカニズムを解説していきます。

群衆に溶け込み、賢く道を譲ってもらう：オムロンの「空気を読む」自律走行ロボット制御モデル

近年、ビジネスやテクノロジーの最前線において「フィジカルAI」という言葉が大きな注目を集めています。フィジカルAIとは、AIがセンサーなどを通じて現実世界（物理空間）を理解し、ロボットなど物理的な実体を伴って自律的に行動する技術の総称です。これまでのテキストや画像を生成するAIがデジタル空間で活躍していたのに対し、フィジカルAIは自律的な意思決定（脳）と物理的な行動（体）を併せ持ち、デジタル空間と現実世界をつなぐ架け橋となります。

このようなフィジカルAIの進化により、工場や倉庫だけでなく、駅やショッピングモールなど私たちの日常生活の場である「動的で混雑した環境」でもロボットが活躍し始めています。しかし、人間とロボットが共生する社会では、ロボットがただ目的地に向かうだけでなく、周囲の人間に不快感を与えない「空気を読んだ」行動が求められます。今回は、群衆の中でも周囲のストレスを最小限に抑えつつ、賢く「介入（道を譲ってもらう等の働きかけ）」を行いながら自律走行する、オムロン株式会社の特許（特許第7400371号）について解説します。

１．背景と課題

従来のロボットの経路計画手法（RRTやPRMなど）は、静的で既知の環境を対象としており、動的な環境下では周囲が変化するたびに「再計画」を行う必要がありました。

しかし、群衆のような密集して連続的に変化が生じる環境では、新しい経路の解が見つからず、ロボットが頻繁に停止してしまうという課題がありました。

また、混雑環境下で単純に目の前の人間（障害物）を避けるだけでは非効率であり、逆にロボット側から「道を譲ってほしい」と人間に働きかける（介入する）技術も開発されてきましたが、こうした介入行動は実装が容易である反面、介入の頻度が高くなると、周囲の人間に多大なストレスを与えたり、歩行者の移動効率を悪化させてしまったりするという問題がありました。

どんな発明？

２−１．発明の目的

本発明は、動的な環境においてロボットを目的地へ移動させる場合に、ロボットが周囲の環境に介入する「介入行動」の回数を少なくすることができる、ロボット制御モデルの学習方法や装置、およびその制御方法を提供することを目的としています。

２−２. 発明の詳細

本発明は、深層強化学習（ディープニューラルネットワークを用いた状態価値の学習）を用いて、ロボットの最適な行動を導き出します。

1 　システム全体とシミュレーション環境

図1は、ロボット制御モデル学習システム1の概略構成を示しています。システムは、学習を行う「ロボット制御モデル学習装置10」と、動的環境を再現する「シミュレータ20」から構成されます。

図１

図4は、シミュレータ20が再現する環境を示しています。自律走行型のロボットRBが目的地pgまで移動する間に、周囲には多数の人間HB（移動する動的障害物）が存在します。シミュレータは、ロボットの位置や速度、周囲の人間の位置や速度といった「状態情報」を学習装置10へ出力します。

図４

2 学習装置の構成

図2は学習装置10のハードウェア構成（CPU11、メモリ等）を示しており、図3はその機能構成を示しています。

図２

図３

学習装置10は「状態価値算出部30」と「行動選択部32」を有しています。状態価値算出部30は、取得した状態情報に対して、ロボットがとるべき行動の価値（将来得られる累積報酬）を算出します。行動選択部32は、その価値に基づいて、移動方向、移動速度、そして「介入行動（道を空けてくださいと音声等で知らせる）」や「回避行動」の中から最適な行動を選択します。

3 マイナス報酬を用いた学習プロセス

図5は、学習処理のフローチャートです。ステップS114における「報酬の算出」がこの発明の核心といえる部分です。ロボットが人間に近づいて衝突を回避するために「介入行動」を行った場合には、ネガティブな報酬（マイナスの値の報酬）が与えられます。また、目的地pgへの到着時間が早いほど高いプラスの報酬が与えられます。この報酬ルールのもとで、ステップS122においてVネットワーク（状態価値関数）が更新され、強化学習が進められます。

図５

4 実際のロボットへの実装と運用

学習が完了したモデルは、実際のロボットRBに搭載されます。図6および図7は、ロボットに搭載されるロボット制御装置40の機能・ハードウェア構成を示しています。カメラ42やロボット情報取得部44から現実の状態情報を取得し、制御部52が学習済みモデルを用いて行動を決定します。

図６

図７

図8の運用時のフローチャートに示されるように（ステップS200〜S212）、ロボットはリアルタイムで状態を取得・価値を算出し、自律走行部48を制御して移動するとともに、必要な場合にのみ報知部46を通じて「道を空けてください」と周囲の環境に介入します。

図８

３．ここがポイント！

この発明の最大のポイントは、ロボットが人間に道を譲ってもらう「介入行動」に対して、あえて「マイナスの報酬（ペナルティ）」を与える強化学習モデルを構築した点です。単純に目的地へ早く着くことだけを目標にすると、ロボットは周囲の人間に対して常に「どいてください」と警告音を鳴らし続ける迷惑な存在になってしまいます。逆に介入を一切禁じると、群衆の中で身動きが取れなくなります。本発明では、介入行動にペナルティを課すことで、ロボット自身に「基本は上手く人間を避けつつ、どうしても進めない本当に必要な時だけ最小限の介入を行う」という、人間社会における「空気を読んだ」最適なバランスを自律的に学習させることに成功しています。

４．未来予想

フィジカルAIの進化と普及により、自律型ロボットは工場などの限定された空間から、駅、病院、商業施設といった私たちの日常空間へと急速に進出していきます。日本政府が構想する「人とAIが共生する社会」や、お節介な手伝いロボットの実現においても、ロボットが人間の社会的規範（ソーシャルノルム）を理解し、ストレスを与えずに協働する技術は不可欠です。 本特許の技術が実用化・応用されることで、混雑した街中であっても、ロボットがまるで熟練の歩行者のように人混みをすり抜け、必要な時にだけ丁寧なコミュニケーションで道を開けてもらうという、人間とロボットが自然に調和する未来の都市風景が実現することでしょう。

５．特許情報

荒れ地の「不確実性」をリアルタイムに読み解く、適応型フィジカルAI

近年、テクノロジーの最前線において「フィジカルAI」という言葉が急速に浸透しています。これまでの生成AIが主にパソコンやスマートフォンのデジタル空間内で文章や画像を生成する「知的なタスク」を担当していたのに対し、フィジカルAIはカメラやセンサーを通じて現実世界（物理空間）の状況を理解し、ロボットなどの「物理的な体」を持って自律的に判断し、行動する技術です。デジタル空間で培われた圧倒的な知能が現実世界に降り立つことで、工場の自動化から自動運転まで、あらゆる産業構造が根本から変わろうとしています。

日本の科学技術振興機構（JST）は、このフィジカルAIをいくつかのタイプに分類していますが、中でも最も過酷なミッションを背負っているのが「タイプA（Adaptive：適応型）」と呼ばれるシステムです。これは、整備された工場や平坦な屋内ではなく、建設現場や災害後の倒壊現場、あるいは地球外の惑星といった「予測困難で荒れ果てた未知の環境」において、人間が立ち入れない場所でも自律的に活動するロボットを指します。

こうした過酷な環境で自律型ロボットを稼働させる際、最大の障壁となるのが「ここは安全に通れるか（Traversability：走行可能度）」の判断です。急勾配や隠れた障害物、センサーの死角など、現実世界は不確実性に満ちています。これまでもAIを用いてルートを推測させる試みはありましたが、シミュレーション空間でAIを訓練しても、現実世界の複雑なノイズや泥臭さを完全には再現できず、いざ現場に投入すると途端に性能が落ちてしまう「シミュレーションと現実のギャップ（Sim-to-Real Gap）」という大きな技術的課題に直面していました。

この難題に対し、「あえてAIに不完全な視界を与えて鍛え抜く」という逆転の発想で見事な解決策を提示したのが、Field AI, Inc.の特許出願「最適忠実度スキャンデータを用いた、不確実性を考慮した走行可能度推定（US 2025/0252306 A1）」です。

本発明は、高精度なレーザースキャナで取得した完璧な正解データから、意図的にノイズや死角を含んだ「低解像度の合成データ」を作り出します。ロボットが実際に現場で直面するであろう「曖昧で不完全な視界」をあえて再現し、そこから安全なルートを高精度に推測できるように機械学習モデル（UNRealNet）を訓練するのです。

限られた情報しか持たない現場のロボットが、いかにして「物理的な不確実性」を自律的に解釈し、車輪や四足歩行といった自らの身体能力に合わせて未知の荒野を切り拓いていくのか、そのナビゲーション技術を解説します。

未知の荒れ地を安全に踏破する：Field AIの「不確実性を考慮した走行可能度推定システム」

近年、ビジネスやテクノロジーの最前線において「フィジカルAI」という言葉が大きな注目を集めています。生成AIが主にデジタル空間内でテキストや画像を生成する「知的なタスク」を担当するのに対し、フィジカルAIは、AIがカメラやセンサーを通じて現実世界（物理空間）の状況を理解し、ロボットなどの「体」を持って自律的に判断・行動する技術の総称です。デジタル空間で培われたAIの知能と現実世界のロボットの身体性を統合することで、状況の変化に柔軟に適応することが可能になります。特に、工場などの整備された環境ではなく、屋外の予測困難な環境で稼働する「タイプA（Adaptive：適応型）」と呼ばれるフィジカルAIシステムは、人間が立ち入れない危険な場所でも自律的に活動できるとして期待されています。

今回は、建設現場や災害現場のような「荒れた未知の地形」において、フィジカルAI搭載ロボットが自律的に「ここは安全に通れるか？」を学習・判断し、最適なルートを導き出すField AI, Inc.の特許出願（US 2025/0252306 A1）について解説します。

１．背景と課題

建設現場や災害対応など、荒れた地形でのロボットデバイスの展開がますます一般的になってきています。このような過酷な環境では、急勾配、危険な障害物、視界の遮り（オクルージョン）、時間とともに変化する動的な地形が存在し、ロボットのナビゲーションにおいて「Traversability（走行可能度/横断可能性）」の推定が極めて重要かつ困難な課題となっています。これまで、深層ニューラルネットワークを活用した学習ベースのアプローチが期待されてきましたが、これらのAIを訓練するために必要な高品質のグラウンドトゥルース（正解）データを大量に用意することは大きな課題でした。また、シミュレーションを用いてデータを生成しても、現実世界の複雑さ、多様性、不確実性を十分に再現できず、結果として「シミュレーションと現実のギャップ（Sim-to-Real Gap）」が生じ、現実世界に配備した際にシステムの性能が低下してしまうという問題がありました。さらに、ロボットに搭載された低解像度センサー（オンボードセンシング）だけでは環境の曖昧さを完全に解消できないため、不確実性の処理に限界がありました。

どんな発明？

２−１．発明の目的

本発明は、機械学習（ML）を用いて、1台以上のロボットが荒れた地形をナビゲートするための「不確実性を考慮した走行可能度推定（Uncertainty-aware Traversability Estimation）」を行うシステムおよび方法を提供することを目的としています。高品質なスキャンデータから生成した正解データと、低解像度センサーを模倣した合成データを組み合わせてAIモデルを訓練することで、前述の課題を解決し、現実世界の複雑な環境下でも安全な移動を可能にします。

２−２. 発明の詳細

本発明のシステムは、高品質な環境データから現実の不確実性を意図的にシミュレートして学習を行うというアプローチを採用しています。

1 　システム構成

図１は、ネットワークアーキテクチャ100を示しています。MLベースシステム102が、データベース104、高精度なスキャナデバイス106、および実際に現場を動くロボットデバイス116と通信ネットワーク108を介して接続されています。

図１

図2に示すように、MLベースシステム102のメモリユニット112内には、「データ取得サブシステム206」「標高マップ生成サブシステム208」「ポイントクラウド生成サブシステム210」「走行可能度予測サブシステム212」「トレーニングサブシステム214」などの複数のサブシステムが含まれており、これらが連携して学習と予測を実行します。

図２

2 学習と予測のプロセス

図9のフローチャート（900）および図3のシステム概要（300）に、全体の学習パイプラインが示されています。

図９

図３

まず、高精度なレーザースキャナから最適忠実度（Optimum-fidelity）のスキャンデータ（図3の302、図9の902）を取得します。これに標高マッピングモデルとフリースペース（空き領域）検出モデルを適用して、正解となるマップ特徴（Ground truth map features 306）を含む密なポイントクラウドを生成します（図9の904、906）。次に、この高品質データに対して、仮想的な視点からのクロッピングを行ったり、人為的にノイズデータを加えたりすることで、ロボットが実際に搭載している低解像度センサーの出力を模倣した「合成ポイントクラウド（Synthetic point cloud 304）」を生成します（図9の908）。そして、「UNRealNet」と呼ばれるMLモデル（図3のPointPillars 308などを利用）を用いて、このノイズを含む合成データから、正解のマップ特徴（Predicted map features 310）を高精度に予測できるように訓練を行います（図9の910）。

3 不確実性の視覚化とロボットへの適用

図４（400）は、環境内に放置されたルーズなワイヤーの最適忠実度スキャンデータを示しています。このような細かな障害物やエッジは、高解像度スキャナ（402、404、406、408）では明確に捉えられますが、ロボットの実際の低解像度センサーでは見逃しやすい部分です。

図４

図6（600）は、特定の環境（env6）におけるUNRealNetの出力結果の視覚化です。602がグラウンドトゥルースのポイントクラウド、604が対応する標高マップです。606と608は、それぞれ異なるロボット（SpotとAlienGo）のパラメータを用いて生成された予測走行可能度マップを示しています。特に重要なのは、610に示されるように、このシステムがロボットの幅（x軸）や傾斜の許容度（y軸）といったパラメータを動的に調整することで、様々なロボットや閾値設定に合わせた走行可能度の予測マップのモザイクを提供できる点です。

図６

３．ここがポイント！

本発明の最大のポイントは、「シミュレーションと現実のギャップ」を埋めるために、高品質なスキャンデータからあえて「ノイズを含む低解像度の合成データ（ロボットの実際の不完全な視界）」を作り出し、それを入力としてAIを訓練するアプローチ（UNRealNet）を構築した点にあります。これにより、ロボットは現場の限られたセンサー情報しか得られなくても、「この先には障害物がある確率が高い」「ここは自分（の車輪や脚の能力）なら通れる」という、現実世界の物理的な不確実性を加味した自律的な判断が可能になります。さらに、一つの学習済みモデルをベースにしながら、車輪型や四足歩行型など、能力の異なる様々な形状のロボットに適応できる「ロボット・アグノスティック（ロボットに依存しない）」な走行可能度マップを出力できる点も画期的です。

４．未来予想

この技術は、現実空間の多様な状況下で自律的に稼働する「タイプA」のフィジカルAIの進化を象徴するものであり、自律型ロボットが未知の荒野や災害現場へと踏み出すための「賢い目と脳」となります。将来的には、人間が立ち入れない危険なインフラ設備の保守点検や、地震後の倒壊建物内での救助活動、さらには事前の詳細な地図が存在しない地球外の惑星探査などにおいて、ロボット自身が環境の不確実性をリアルタイムに解釈し、安全を確保しながら任務を完遂することが当たり前の光景になるでしょう。また、この不確実性を考慮した経路計画技術は、悪天候や未舗装路などの極端な条件下（エッジケース）における自動運転車の安全性向上にも大きく寄与し、フィジカルAIと人間が共生する社会の実現を力強く後押しすることが期待されます。

５．特許情報