豆蔵がヒューマノイドロボットによる板金作業の自動化技術を発表

豆蔵は、AWSの「フィジカルAI 開発支援プログラム」に参画し、最新のAI技術とロボット制御を組み合わせたフィジカルAIの産業実装に向けた研究開発成果を発表しました。

研究開発の背景と目的

豆蔵は、製造現場におけるヒューマノイドロボットの活用を目指し、板金部品のピッキングから搬送、整列までを行う自動化技術の研究開発を行いました。本取り組みでは、AWSの計算資源とNVIDIAの先端ロボティクスAI技術を活用し、AIモデルと従来の制御技術を融合させるアプローチを検証しています。

ハイブリッド制御による上半身の知能化

上半身の制御にはNVIDIA Isaac GR00T 1.7を採用し、AWS上のAmazon EC2「g6e.2xlarge」インスタンスを用いてファインチューニングを実施しました。遠隔操作で収集した359エピソードのデータをもとに学習を行い、VLAモデルとルールベース制御を組み合わせることで、上下整列で85％、左右整列で80％の成功率を達成しています。VLAモデル単独では衝突やピッキング失敗といった課題が生じましたが、力制御やルールベース制御を併用する「ハイブリッド制御アーキテクチャ」により、産業適用に有効な知見を得ることができました。

運動ポリシーを用いた下半身の制御

下半身の制御においては、NVIDIA Isaac LabベースのAGILEワークフローを活用し、Amazon EC2「g7e.2xlarge」インスタンスで約32時間の深層強化学習を行いました。摩擦や傾きなどの物理条件を変化させるドメインランダマイゼーションの手法を用いることで、シミュレーション上の学習結果を実機へスムーズに適用するためのノウハウを構築しています。これにより、ヒューマノイドロボット特有のしゃがみ動作や前傾動作を実現しました。

全身制御による作業の実現

上半身のVLAモデルと下半身の運動ポリシーを統合し、全身制御にも取り組みました。下半身の関節動作を抽象化して制御自由度を削減することで、学習データ量を43エピソードまで抑えつつ、床に落ちた部品をしゃがんでピッキングし、搬送・整列する一連の動作を可能にしました。※本プレスリリースに記載されているNVIDIA技術（NVIDIA Isaac、Isaac Lab等）に関する言及および検証成果は、豆蔵が自社で実施した検証結果に基づくものであり、NVIDIAによる個別の承認や共同開発を示すものではありません。

まとめ

豆蔵は今回の検証で得た知見を活かし、AI技術とロボット制御を融合させたフィジカルAIアプリケーションの開発および導入支援を今後さらに強化していきます。