HOME/ビジネス/AIソリューション/VLA(視覚・⁠言語・⁠行動モデル)
PHYSICAL AI / ROBOTICS

VLA(Vision-Language-Action)
ロボットの把持・⁠作業をAIで教える実装支援

VLA(視覚・⁠言語・⁠行動モデル)は、カメラの映像と言葉の指示から、ロボットの次の動作を直接出すAIモデルです。
当社は人の手の動きを学習データにし、既存のVLAをお客様のロボットと作業に合わせて追加学習し、シミュレーションから実機の動作までつなぎます。

01/概要

映像と言葉の指示からロボットの動作を直接出すAIモデル

VLA(Vision-Language-Action、視覚・⁠言語・⁠行動モデル)は、カメラで見た状況(Vision)と「この部品をつかんで箱に入れて」のような言葉の指示(Language)を受け取り、ロボットの関節をどう動かすか(Action)までを1つのAIモデルで出す仕組みです。文章を扱う大規模言語モデル(LLM)や、画像と言葉を合わせて扱うマルチモーダルなAIを、ロボットの動作まで広げたものです。ロボットや機械を動かすAIの総称であるフィジカルAIの中で、いま最も注目されている方式の1つで、ロボット基盤モデルとも呼ばれます。

VLAの全体像(当社作図)
入力1:カメラの映像
● CAM 1
青い部品赤い部品トレイ
入力2:言葉の指示
「青い部品をつかんで、箱に入れて」
VLA(1つのAIモデル)
V見る映像から、物の位置・⁠向き・⁠形をとらえる
L理解する指示と映像を合わせて、どれを・⁠どうするかを判断する
A動くアームとハンドの関節をどう動かすかを決める
出力1:関節の目標値
手首
親指
人差指
中指
出力2:ロボットの動作
つかむ持ち上げる箱に入れる
↑ VLAの教え方:プログラムではなく、人の実演から学ぶ
人が遠隔操作でやって見せる映像と関節の動きを記録既存のVLAを追加学習シミュレーションと実機で確かめる
↻ 実機の結果をもとに、実演の追加と再学習を繰り返す
これまでは「見る」「判断する」「動かす」を別々の仕組みで作り、つなぎ目を人がプログラムしていました。VLAはこれを1つのモデルで学習します(エンドツーエンド)。

近い技術との違いを先に押さえておくと分かりやすくなります。VLM(視覚言語モデル)は画像を見て「何が写っているか」を言葉で答えるAIで、動作は出しません。従来の画像解析AIは「部品の位置を見つける」までを担い、つかみ方や動かし方は人がプログラムしてきました。VLAは、人がやって見せた動き(実演)から、見え方に応じた動かし方そのものを学びます。

VLAを使うメリット
  • 動かし方を1つずつプログラムせず、人の実演から教えられる(模倣学習)
  • 置き方や見た目が多少違っても、学んだ動きを応用しやすい(汎化性能)
  • 品種や作業を増やすときに、実演データの追加で対応しやすい
  • 言葉で作業を指示でき、現場の人にも扱いを説明しやすい

画像解析AI・VLM・VLAの違い

AIが担う範囲の違い(当社作図)
AIが担う 人がプログラムする 出力・⁠ロボットの動作

画像解析AI+プログラム

カメラ映像
対象物の検出・⁠位置の推定
把持位置・⁠動作の手順(ティーチング)
ロボットの動作
AIが担う範囲対象物の検出・⁠位置の推定
動作の作り方人が把持位置・⁠動作の手順をプログラム(ティーチング)
向いている作業品種が少なく、置き方が決まった作業

VLM(視覚言語モデル)

画像・⁠映像
内容を理解して言葉で説明・⁠判定
判定結果(動作は出さない)
別の制御につなぐ
AIが担う範囲画像の内容を言葉で説明・⁠判定
動作の作り方動作は出さない。判定結果を別の制御につなぐ
向いている作業検査・⁠状況の説明・⁠作業の記録

VLA(視覚・⁠言語・⁠行動モデル)

カメラ映像+言葉の指示
状況の理解から動作の決定まで
関節の目標値
ロボットの動作
AIが担う範囲状況の理解から動作の出力まで
動作の作り方人の実演データから学習(模倣学習)し、追加学習で現場に合わせる
向いている作業品種が多い・⁠置き方がばらつく・⁠持ち直しが要る作業

02/注目される背景

人手不足・⁠少量多品種化と現場データ活用を掲げる国の方針

製造現場でロボットアームを前に作業者2人が話し合う様子
写真はイメージです

製造・⁠物流などの現場では、人口減少による人手不足が続いています。これまでの産業用ロボットは、決まった物を決まった位置で扱う作業には強い一方、品種が多い・⁠置き方がばらつく作業では、動きを一つずつプログラムする手間が導入の壁になってきました。国の白書と戦略文書もこの領域へのロボット導入と、そのためのデータ収集・AI開発を重点に挙げています。

文書
発行主体・⁠時期
記載内容(要約)
経済産業省・⁠厚生労働省・⁠文部科学省(2026年5月)
人口減少を背景にした構造的な人手不足を指摘。AIロボティクスに関する関係府省連絡会議が2026年3月にAIロボティクス戦略を取りまとめ、現場データの獲得とモデル改善を循環させる方針を示したと紹介
経済産業省・⁠厚生労働省・⁠文部科学省(2025年5月)
これまでロボットがあまり入ってこなかった少量多品種の領域への導入が重要とし、ロボットが自ら判断して動くためのデータ収集とAI開発の必要性を記載
経済産業省 AIロボティクス検討会(2025年10月)
ロボットで集めたデータを基盤モデルへ戻すサイクルの高速化と、シミュレーションと現実の差(Sim2Real)を埋めるシミュレーション環境の構築を検討課題に挙げる
国の文書が示す循環(同文書の記載をもとに作図)
現場に導入ロボットを現場に入れ、作業させる
→
データを獲得映像・⁠動作・⁠成否の記録を集める
→
モデルを改善集めたデータでAIモデルを学習し直す
→
他分野へ展開改善したモデルと手順を広げる
↻ 継続的に繰り返す

VLAという言葉が広まった経緯

VLAは言葉と画像を扱う大規模なAIモデルを、ロボットの動作にまで広げる研究から生まれました。新しい家の片付けのような、学習していない環境での作業を示したPhysical Intelligence社のπ0.5、人型ロボット(ヒューマノイド)向けに公開されたNVIDIA Isaac GR00T N1、触覚まで扱うMicrosoft ResearchのRho-alphaなど、AI分野の主要な開発元が相次いで発表しています。Rho-alphaは人の遠隔操作による実演と、NVIDIA Isaac Sim上で強化学習を使って作った実演(合成データ)を組み合わせて学習しており、今後Microsoft Foundryで提供予定とされています。

こうした基盤モデルは「そのまま使えば動く」ものではありません。お客様のロボットの形、作業、カメラの位置に合わせて、実演データを集めて追加学習し、実機で確かめる工程が必要です。当社はこの「現場に合わせる」工程を支援します。

各社の発表は英語の一次情報です。発表内容は各社の公式ページでご確認ください。

03/仕組み

実演データの収集から実機の動作までの6つの工程

VRゴーグルとコントローラーでロボットアームを操作する技術者
写真はイメージです

VLAを現場で動かすには、モデルを選ぶだけでなく、学習させるための仕組みと、モデルの出力を実機の動作へつなぐ仕組みが必要です。当社が実際の案件で組み立てた流れを、6つの工程で示します。

VLAを現場で動かす6つの工程(当社作図)
1
実演を記録する(遠隔操作)VRゴーグル(例:Meta Quest 3)で人の手の動きを読み取り、ロボットハンドを遠隔操作して作業をやって見せる
テレオペレーションWebXR
2
ロボットの体に合わせる人の手の関節の位置を、ロボットハンドの関節の角度に置き換える。手の大きさの個人差や、動ける範囲の違いも調整する
リターゲティング多指ハンド
3
学習データに整える映像・⁠関節の状態・⁠指令値を作業1回ごとに記録し、うまくいった区間を切り出して学習用の形に変換する
教師データデータパイプライン
4
既存のVLAを追加学習する公開されている基盤モデル(例:π0.5)をもとに、お客様のハンドと作業に合わせて少ない計算量で追加学習する
ファインチューニングLoRA
5
シミュレーションで確かめる実機に近い仮想環境(デジタルツイン)で、アーム・⁠ハンド・⁠対象物・⁠カメラを再現し、持ち上がるかを自動で判定する
NVIDIA Isaac SimSim2Real
6
実機につないで動かす学習したモデルを常に動く状態で置き、カメラ映像と関節の状態を送って、返ってきた関節の目標値でハンドを動かす
モデル実行サーバエッジ端末
↻ 実機の結果をもとに、データ収集と追加学習へ戻る

AIに任せる部分と従来の制御で守る部分

すべての動作をVLAに任せる設計にはしません。決まった経路での移動は従来の制御、接触を伴う細かな把持はVLA、安全の見張りは決めたルールというように、得意な仕組みで分担します。

1回の把持作業での役割分担(当社作図)
アームの移動従来の制御:関節角の計算と経路計画で、目的の位置まで運ぶ
→
ハンドの把持VLA:映像と指示から、つかむ・⁠持ち直す動きを決める
安全の見張り(ルール):速度の上限・⁠動きのなめらかさ・⁠安全な姿勢への復帰を、動作の全体にわたって確かめる

アームの移動:従来の制御

目的の位置までアームを運ぶ動きは、関節角の計算と経路計画で確実に動かします。

逆運動学経路計画

ハンドの把持:VLA

対象物に触れて、つかむ・⁠持ち直すといった、ばらつきの大きい細かな動作をVLAが担います。

VLA多指ハンド

安全の見張り:ルール

速度の上限、動作のなめらかさ、手を見失ったときの安全な姿勢への復帰を、決めたルールで守ります。

速度制限安全姿勢

04/当社の支援内容

適用業務の設計からデータ収集・⁠追加学習・⁠実機適合まで

当社は独自のロボット基盤モデルをゼロから作るのではなく、既存のVLAをお客様の機体・⁠作業・⁠データに合わせて現場で動かすことを支援します。入口の設計から、最初の1周の構築、評価と改善の継続、安全の仕組みと他工程への展開までを段階で支援します。

支援の段階(当社作図)
入口:適用業務の設計対象物・⁠作業・⁠カメラ・⁠制御のつなぎ方・⁠責任分担を整理し、検証の進め方を決める
→
最初の1周:構築遠隔操作の環境、学習データ、追加学習、シミュレーション、実機接続を組み立てる
→
回し続ける:評価・⁠改善持ち上げ量やずれの自動判定、遅れの計測で弱点を見つけ、データと学習へ戻す
→
広げる:安全と展開安全の仕組みを重ね、対象物・⁠工程・⁠拠点を広げる
全段階を通じて、現場に入り込むX-Tech FDEが、生産技術・⁠安全担当・AI担当・IT/OT担当の間をつなぎます。

支援メニュー

できること
内容
業務での使い道
適用業務・PoCの設計
対象物、つかみ方・⁠持ち直し、カメラ、制御とのつなぎ方、実機とシミュレーションの差、各社の責任分担を整理
どの作業から始めるか、何を確かめれば次に進めるかを決める
実演を記録する環境(遠隔操作)
VRゴーグルで人の手の動きを読み取り、実機とシミュレーションの両方を操作できる環境を構築
熟練者の手つきを、そのまま学習データにする
ロボットへの合わせ込み
人の手の動きを多指ハンドの関節に置き換え、個人差の較正や動ける範囲への対応を調整
お客様固有のハンドでも、人の実演を使えるようにする
学習データの整備
映像・⁠関節の状態・⁠指令値を作業ごとに記録し、成功区間の切り出しと学習用の形への変換を自動化
集めた実演を、繰り返し使える資産として残す
VLAの追加学習
公開の基盤モデルをもとに、手首・⁠指の関節や指示文など、お客様の構成に合わせて追加学習
ゼロから作らず、短期間で現場向けのモデルにする
シミュレーション・⁠デジタルツイン
NVIDIA Isaac Sim上でアーム・⁠ハンド・⁠対象物・⁠設備・⁠複数カメラを再現。形・⁠重さ・⁠摩擦、持ち上げの判定条件を設定
実機を止めずに試行を重ね、危険な条件も事前に確かめる
実機への接続
学習済みモデルを動かすサーバ、観測を送る仕組み、関節の目標値でハンドを動かす仕組みを実装
モデルの判断を、実際の把持の動きにつなぐ
評価と原因の切り分け
持ち上げ量・⁠横ずれの自動判定、遅れ・⁠追従の精度・⁠更新の速さ・⁠異常時の動きの計測、学習条件と結果の記録
うまくいかない原因が、データ・⁠学習・⁠機体のどこにあるかを分ける
安全の仕組み
遠隔操作時の動きのなめらかさ・⁠速度の上限、手を見失ったときの安全な姿勢への復帰。AIの出した動作を実行前に確かめる仕組みはPhysical AI Harnessとして設計
人とロボットが同じ場所で作業するときの安心材料をそろえる
計算環境の設計
クラウドGPUでの学習・⁠シミュレーションと、現場に置くAI実行用の端末の要件整理・⁠機種選定
クラウドと現場の役割を分け、費用と応答の速さを両立する
資料化と引き継ぎ
構成・⁠接続仕様、セットアップ・⁠操作手順、学習条件、モデルの説明書、テスト結果、残課題と分担を資料化
お客様の社内で運用・⁠改善を続けられるようにする

VLAの実装を支える基盤の構成

現場
ロボットアーム、多指ハンド、複数のカメラ、遠隔操作用のVRゴーグル
ロボットカメラVRゴーグル
現場のAI実行端末
学習済みVLAを現場の近くで動かし、応答の遅れを抑える
エッジ実行GPU端末
学習・⁠シミュレーション
クラウドのGPUで追加学習とシミュレーションを実行。Azureを中心に、お客様の環境や必要なGPUに合わせて選ぶ
AzureNVIDIA Isaac SimMicrosoft Foundry
データ・⁠現場知
実演データと学習結果の記録に加え、作業標準・⁠過去のトラブルなどの現場知を構造化し、安全の制約として使う
SyncLect Data IntelligenceMicrosoft 365
お客様の環境に合わせて構成します。作業手順の問い合わせ窓口をCopilot Studioで作る、全社のAIエージェントをAgent 365で統制するなど、Microsoft 365側の取り組みともつなげられます。

05/当社の特長

既存のVLAをお客様の機体・⁠作業・⁠データに合わせる実装力

ここではVLAという方式そのものではなく、当社の支援の特長を示します。

人の動作をデータにし、実機の動きまでつなぐ

遠隔操作による実演の記録、ロボットハンドへの合わせ込み、学習データの整備、追加学習、実機の駆動までを一続きで組み立てた経験があります。モデルを学習できるだけでなく、その出力を実機の把持につなげる工程を担えます。

一気通貫

AIと従来の制御を組み合わせる設計

アームの移動は従来の制御、細かな把持はVLA、安全の見張りはルールと役割を分けます。シミュレーションと実機の差を調整しながら、現場で動く構成にします。

ハイブリッド構成

評価と安全の知見を、提案判断に変える

VLAの比較・⁠評価の研究を読み解き、成功率だけでなく、環境変化・⁠回復・⁠安全・⁠計算コストを分けて評価する軸を持っています。AIの出した動作を外側で確かめる仕組みもハーネスエンジニアリングの考え方で設計しています。

評価軸安全設計

技術解説:VLAの安全は外側で守れるか:ハーネスと安全機構の論文/vla-evalを読解&独自分析:leaderboardから、Paretoを読む

06/取り組み事例

精密部品メーカーの多指ロボットハンド開発:VLAによる実機把持

精密部品メーカーの多指ロボットハンド開発で、VLAの追加学習から実機での把持までを有償の案件として支援しています。遠隔操作の環境、VLAの追加学習、シミュレーション、把持の検証と実機接続を、一連の業務として納品しました。

案件の進み方
1
学習とAI実行の基盤を構築VRゴーグルによる遠隔操作の環境を作り、シミュレーションと実機の両方で動作を確認。π0.5の追加学習から、モデルの判断でハンドを動かすところまでを確認
2
VLAで実機を動かし、把持を確認実機とVLAの接続を完了し、VLAの判断で実機の多指ハンドを動かして対象物をつかめることを確認
3
一連のデモを実行お客様の経営層向けのデモで、一連の動作を実行
本案件ではクラウドのGPUで学習・⁠シミュレーションを行い、現場のAI実行用の端末の選定・⁠調達の調整まで支援しました。複数の対象物や持ち直しを含む作業への拡大は、お客様と段階を分けて進めています。

関連する当社の取り組み

リモートロボティクス様:音声でロボットを遠隔操作
CASEフィジカルAI

リモートロボティクス様:音声でロボットを遠隔操作

話した言葉で産業用ロボットを遠隔操作する試作を、2日間の集中開発で実施。言葉の指示を動作につなぐフィジカルAIの取り組みです。

お知らせを見る →

次世代フィジカルAI市場への本格参入
NEWS2025年11月

次世代フィジカルAI市場への本格参入

AIエージェント技術を核に、知識グラフ、画像と言葉を扱うモデル、NVIDIAのデジタルツインやエッジ環境、Microsoft Azureを組み合わせた自律思考型フィジカルAIを展開しています。

お知らせを見る →

07/顧客価値

品種追加の手間・⁠熟練者の動き・⁠検証の安全性への効果

変える対象
これまで
導入後に起きる価値
動作の教え方
把持位置と手順を、品種ごとにプログラムする
人の実演から学ばせ、品種の追加は実演データの追加で対応する
熟練者の手つき
言葉やプログラムにしにくく、個人に残る
遠隔操作の実演として記録し、学習データとして残せる
検証の進め方
実機で試すたびに設備を止め、危険な条件は試しにくい
シミュレーションで試行を重ね、実機では確認に集中する
ばらつきへの対応
置き方・⁠見た目の違いごとに例外のルールを足す
多様な実演を学ばせ、ある程度のばらつきに対応する
導入後の改善
担当者が替わると、改修の手順が分からなくなる
学習条件・⁠評価結果・⁠手順を資料化し、社内で改善を続けられる

立場ごとの価値

経営・⁠事業責任者

人手不足の工程に、品種が多くても使えるロボット化の選択肢を持てます。

生産技術

動作のプログラムに使っていた時間を、実演と評価に移せます。

AI・DX推進

実演データと学習結果が資産として残り、他の工程に広げやすくなります。

安全担当

AIに任せる範囲と、ルールで守る範囲が分かれた構成で確認できます。

IT・OT担当

クラウドでの学習と現場での実行の分担、データの置き場所を最初に決められます。

現場の作業者

熟練者のやり方が、ロボットの動きとして引き継がれます。

08/ユースケース・⁠適性

多品種の把持・⁠持ち直し・⁠取り回しが要る作業

部品トレイから部品を取り出す協働ロボット
写真はイメージです

多品種のピッキング

形や大きさが異なる部品・⁠商品を、トレイや箱から取り出して所定の場所に置く作業。

持ち直し・⁠向きの調整

つかんだ物の向きを変えたり、持ち替えたりしてから次の工程に渡す作業。

組立・⁠検査の前段の取り回し

組立や検査の装置に部品をセットする、裏返す、並べ直すといった準備作業。

物流倉庫の仕分け

置き方がばらつく荷物をつかみ、行き先ごとに仕分ける作業。

研究開発・⁠試作

新しいロボットハンドの開発で、制御の方式をAIで試す取り組み。

熟練作業の記録

人の手つきを遠隔操作で記録し、技能の継承とロボット化を同時に進める取り組み。

VLA導入の適性チェック

適合するお客様

扱う品種が多い、または増え続けている/置き方や見た目がばらつき、プログラムでの対応に限界がある/ロボットハンドと実機を検証に使える/実演データの収集に現場の協力を得られる

適合しにくいお客様

品種が少なく、決まった位置の物を扱う(従来の制御の方が確実で安い)/止まると重大な事故につながり、AIの判断を挟む余地がない工程/検証に使える実機やカメラの設置が当面難しい

09/想定ROI

品種追加のたびにかかる立ち上げ費用の比較

従来の画像解析AIとプログラムによる動作設計と、VLAの追加学習による方式で、1つのラインに品種を追加していく場合の費用を比べます。VLAは最初の基盤づくりに費用がかかる一方、品種を追加するたびの費用が小さくなります。

費用の項目
従来(画像解析AI+プログラム)
VLA(実演データ+追加学習)
初期の基盤づくり
認識モデルの構築、把持・⁠動作のプログラム、例外処理:60人日
遠隔操作の環境、学習とAI実行の基盤、シミュレーション、実機接続:120人日
品種1つの追加
画像の収集と正解付け5人日、認識モデルの再学習3人日、把持位置・⁠動作のプログラム8人日、例外の調整4人日:計20人日
実演データの収集3人日、データ整備と追加学習3人日、シミュレーション・⁠実機での評価4人日:計10人日+GPU費用 約5万円
1年目(5品種追加)
160人日:約1,280万円
170人日+GPU費用:約1,385万円
3年累計(15品種追加)
360人日:約2,880万円
270人日+GPU費用:約2,235万円
品種追加のリードタイム
約4週間
約2週間
約22%3年累計の費用の差(従来比)
約半分品種1つを追加するときの工数
2年目累計費用が逆転する時期の目安
試算の前提:エンジニア単価8万円/人日、年5品種を追加、GPU費用は追加学習1回あたり約5万円。実際の費用は対象物の数、求める成功率、ハンドの構成で変わります。PoCで現行の立ち上げ工数を測り、お客様の数字で試算し直します。

10/導入ステップ

適用業務の診断から運用と展開までの5ステップ

導入の流れ
1
STEP 1 適用業務の診断対象物・⁠作業・⁠カメラ・⁠制御のつなぎ方・⁠責任分担を整理し、VLAが合う作業か、従来の制御が良いかを見極める
診断レポート検証計画
2
STEP 2 実演を記録する環境の構築遠隔操作の環境とロボットへの合わせ込みを作り、実演データの記録を始める
遠隔操作環境学習データ
3
STEP 3 追加学習とシミュレーション検証既存のVLAを追加学習し、デジタルツイン上で持ち上がるか・⁠ずれないかを自動判定する
学習済みモデル評価結果
4
STEP 4 実機での検証実機に接続し、遅れ・⁠追従の精度・⁠異常時の動きを測り、安全の仕組みと合わせて確かめる
検証レポート安全の設計
5
STEP 5 運用と展開手順書・⁠学習条件・⁠残課題を引き継ぎ、対象物や工程を広げる。データの追加と再学習の回し方を定着させる
運用手順書技術移管資料

11/他の手段との違い

ティーチング・⁠画像解析AI・VLAの選び方

VLAはどの作業にも向くわけではありません。品種が少なく決まった作業なら、従来の方法の方が確実で費用も抑えられます。当社は診断の段階で、方式の使い分けを提案します。

観点
従来のティーチング
画像解析AI+プログラム
VLA(当社の支援)
動作の教え方
ロボットに位置を1つずつ記憶させる
検出結果に応じた動作を人がプログラム
人の実演から学習し、追加学習で現場に合わせる
品種の追加
品種ごとに教え直す
認識モデルの再学習と動作の改修
実演データの追加と再学習
ばらつきへの強さ
弱い(位置が決まっている前提)
検出はできるが、つかみ方は個別対応
学んだ範囲で応用しやすい(汎化性能)
動きの確かさ
高い
高い
学習データと評価に左右される。従来の制御と組み合わせて補う
向く作業
大量生産の決まった作業
検出が中心で、動作が単純な作業
多品種・⁠持ち直し・⁠細かな把持

12/ガバナンス・⁠安全

AIに任せる範囲と人とルールで守る範囲を分ける設計

監視画面でロボットの稼働状況を確認する担当者
写真はイメージです

動作の安全性

速度の上限、動きのなめらかさ、手を見失ったときの安全な姿勢への復帰など、個別の安全機能を実装します。AIの出した動作を実行前に、承認・⁠停止・⁠人への確認へ振り分ける仕組みは、Physical AI Harnessとして設計を進めています。

責任分担と記録

生産技術・⁠安全担当・AI担当・IT/OT担当の分担を最初に決めます。学習条件、評価結果、モデルの説明書を残し、どのデータで学習したモデルが動いているかを追えるようにします。人の判断を挟む設計はHuman-in-the-Loopの考え方に沿います。

データの扱い

実演の映像には、現場の設備や作業者が写ります。保存先、アクセスできる人、学習に使う範囲を決め、クラウドの権限管理はEntra IDなどで統制します。

全社のAI活用との整合

フィジカルAIも社内のAI活用の方針の中で扱います。AIガバナンスやAI Agent CoEの取り組みと合わせて、評価と承認の流れをそろえます。

13/当社について

Microsoft AI Innovation Partner of the Year 2024 受賞

Microsoft AI Innovation Partner of the Year 2024 受賞

Microsoftのパートナーとして、Azureを中心にAIの設計・⁠実装・⁠運用を支援しています。

X-Tech FDEを見る →

X-Tech FDEによる、現場起点のAI実装

X-Tech FDEによる、現場起点のAI実装

現場に入り込むエンジニアが、課題の発見から実装・⁠定着までを伴走します。

X-Tech FDEを見る →

SyncLect Data Intelligence

SyncLect Data Intelligence

作業標準や過去のトラブルなどの現場知を、AIが扱える構造化データに変える当社のエンジンです。

SyncLect Data Intelligenceを見る →

14/はじめ方

1つの作業を対象にした適用業務の診断

最初はロボット化したい作業を1つ選び、STEP 1の診断から始めます。対象物、使えるロボットハンドとカメラ、現在の動作の作り方と立ち上げ工数を伺い、VLAが合うか、従来の制御と組み合わせるべきかを整理します。診断の結果をもとに、実演データの量、検証の範囲、費用の見積もりを提示します。

製造業の現場課題全体からAI活用を検討したい場合は製造業向けAIソリューション、安全の仕組みから検討したい場合はPhysical AI Harnessもあわせてご覧ください。

15/関連ソリューション

Physical AI Harness

Physical AI Harness

AIの判断を物理世界へ安全につなぐ。

AIが出した動作を実行前に承認・⁠停止・⁠人への確認へ振り分け、判断の記録を残すフィジカルAIの安全実装基盤です。

Physical AI Harnessを見る →

製造業向けAIソリューション

製造業向けAIソリューション

生産データの分析、設備の予知保全から、音声でのロボット操作などのフィジカルAIまで、製造業のAI活用を一気通貫で支援します。

製造業向けAIソリューションを見る →

X-Tech FDE

X-Tech FDE

現場に入り込むエンジニアが、生産技術・⁠安全・IT/OTの担当者の間をつなぎ、実装と定着まで伴走します。

X-Tech FDEを見る →

VLM(視覚言語モデル)導入支援

VLM(視覚言語モデル)導入支援

画像・⁠映像の判定を、クラウドでの検証から現場の端末での実行まで支援します。VLAの前段となる「見る」技術です。

VLM導入支援を見る →

SyncLect Data Intelligence

SyncLect Data Intelligence

現場の暗黙知を構造化データに変え、AIの判断の前提や安全の制約として使えるようにします。

SyncLect Data Intelligenceを見る →

Microsoft Foundry

Microsoft Foundry

AIモデルの選定・⁠評価・⁠運用を行う、Microsoftの基盤です。当社はモデルの活用と運用の仕組みづくりを支援します。

Microsoft Foundryを見る →

16/よくあるご質問

Q.VLA(Vision-Language-Action)とは何ですか。
A.VLA(視覚・⁠言語・⁠行動モデル、ビジョン・⁠ランゲージ・⁠アクション)は、カメラの映像と言葉の指示から、ロボットの次の動作を直接出すAIモデルです。見る・⁠理解する・⁠動くを1つのモデルで学習するため、動作を一つずつプログラムせず、人の実演から教えられます。ロボット基盤モデルとも呼ばれます。
Q.VLMとの違いは何ですか。
A.VLM(視覚言語モデル)は画像を見て内容を言葉で答えるAIで、動作は出しません。VLAはVLMの考え方をロボットの動作にまで広げたもので、関節の目標値などの動作を出します。
Q.代表的なVLAには何がありますか。
A.Google DeepMindのRT-2とGemini Robotics、オープンソースで公開されたOpenVLA、Physical Intelligence社のπ0・π0.5、NVIDIA Isaac GR00Tなどがあります。公開の形や利用の条件、扱えるロボットの形はモデルごとに異なります。当社は診断の段階で、お客様のロボットと作業に合う基盤モデルを選びます。
Q.自社でロボット基盤モデルをゼロから作る必要がありますか。
A.必要ありません。当社は公開されている基盤モデル(例:π0.5)をもとに、お客様のロボットと作業に合わせて追加学習(ファインチューニング)する方法で支援します。
Q.どのくらいの実演データが必要ですか。
A.対象物の数、作業の難しさ、求める成功率で変わります。STEP 1の診断で、必要なデータの量と収集の計画を見積もります。シミュレーションを組み合わせ、実機での収集量を抑える方法も検討します。
Q.今使っているロボットハンドでも使えますか。
A.カメラの映像と関節の状態を取得でき、外部から関節の目標値を指示できるハンドであれば検討できます。人の手とハンドの構造の違いは、ロボットへの合わせ込み(リターゲティング)で調整します。
Q.安全性はどう確保しますか。
A.すべての動作をVLAに任せず、アームの移動は従来の制御、安全の見張りは決めたルールで行う構成にします。速度の上限や安全な姿勢への復帰を実装し、AIの出した動作を実行前に確かめる仕組みはPhysical AI Harnessとして設計しています。
Q.クラウドはAzureでなければいけませんか。
A.Azureを中心にご提案しますが、学習・⁠シミュレーションに必要なGPUや、お客様の既存環境に合わせて構成します。現場のAI実行用の端末の選定も支援します。
Q.最初は何から始めればよいですか。
A.ロボット化したい作業を1つ選び、適用業務の診断(STEP 1)から始めます。現行の立ち上げ工数を測り、想定ROIをお客様の数字で試算し直します。

VLA・フィジカルAIの実装についてのご相談

ロボット化したい作業の診断から、実演データの収集、追加学習、シミュレーション、実機での検証、安全の設計まで、貴社の状況に合わせてご提案します。

お問い合わせ