株式会社リコーは2026年8月31日、人間や他のロボットの作業映像などの動画像データから、ロボットの身体構成に依存しない共通の行動表現を学習する新たなフィジカルAI技術を開発したと発表した。
同技術は、画像の変化から明示されていない「潜在的な行動」を学習する潜在行動モデル（Latent Action Model、以下LAM）を活用し、ロボットの機構差を乗り越えて「物を持つ」「前進する」などの行動を共通表現として学習可能にしたものであり、実機ロボットへの導入を可能にする技術だ。
今回の技術開発の背景には、現在フィジカルAI領域で広く開発が進められているVLA（Vision-Language-Action）モデルが抱える、実機データ収集の膨大なコスト問題がある。
ロボットは、ヒューマノイド、多関節アーム、2本指ハンド、5本指ハンドなど、システムごとに異なる構成や制御仕様を持っているため、これまで新しいロボットを導入する際には、それぞれのロボットごとに個別に膨大な動作データを集め直してチューニングを行う必要があった。
特に、実環境での検証データが圧倒的に不足しているヒューマノイドロボットなどでは、このデータ不足と構築コストが実用化を遅らせる要因となっていた。
そこで、これまでドキュメントソリューションや画像認識、安全なプライベートLLM/LMM開発などで培ってきた技術資産を、デジタル空間から実世界へ拡張するアプローチをとった形だ。
LAMを組み込むことで、人間の作業動画などからロボット固有の制御方式に依存しない行動表現を抽出し、これをVLM（Vision-Language Model）の学習プロセスへと接続している。
これにより、人間が作業している自然な映像データから、ロボットが「何を行っているか」を共通の概念として学習できるようになり、実機ロボットから膨大なデータを手作業で集める手間を削減する。
また、今回の開発においては、アマゾン ウェブ サービス ジャパン（AWSジャパン）が提供する「フィジカルAI開発支援プログラム」を活用している。Amazon EC2やAmazon S3といったクラウド技術を採用し、大規模な画像データ処理と複雑なモデル学習を高速かつ効率的に行える環境を構築した。
実証実験においては、部品の「ピックアンドプレース（部品をつまんで指定の場所に置く作業）」を題材に、3通りのシミュレーション環境および実機環境を用意し、開発したモデルの有効性と駆動確認に成功している。
さらに、仮想的なシミュレーション環境で学習させたAIの動作ロジックを、現実の物理世界の実機へと展開するSim2Real（シミュレーション・トゥ・リアル）技術を併用することで、現場への配備スピードを向上させている。
リコーは今後、この開発成果をベースに、オフィス、工場、物流、保守などの具体的な現場を想定した検証をさらに加速させ、さまざまな実業務や最適なロボット構成への適応性を評価していく予定だ。
IoTに関する様々な情報を取材し、皆様にお届けいたします。
