AI Trend Note
    ← 一覧へ戻る
    さまざまな種類のロボットアームがそれぞれ別の作業をしている場面を集めた画像
    ロボティクス 業界動向 4分で読めます

    ロボットデータ不足、インターネットにはない学習データ

    テキストや画像はインターネットにあふれているのに、ロボットの動作データはなぜ足りないのか。複数の研究室がデータを持ち寄った共同データセットが、その問題をどう回避しているのかをまとめます。

    言語モデルが急速に良くなった理由をひとつだけ挙げるなら、データです。インターネットに蓄積されたテキストを集めるだけで、兆単位のトークンを確保できました。ロボットは事情が正反対です。「コップをつかんで移す動作」は、インターネットのどこにも関節の値の形では保存されていません。

    ロボットのデータはつくらなければ生まれない

    テキストは誰かがすでに書いたものを集めればよいのに対し、ロボットのデータは実際にロボットを動かさないと生まれません。人がコントローラーを握って1回デモをすれば1件、もう一度やれば2件です。

    そこに、ロボットごとにアームの長さや関節の数、グリッパーの形が違うという問題が重なります。ロボットAで集めたデータを、ロボットBはそのまま使えません。言語モデルの世界にたとえるなら、データを集めるコストが高いうえに、集めたデータが別のモデルでは読めない状況に近いといえます。

    複数の研究室がデータを持ち寄り始めた

    この問題に正面から取り組む代わりに、回り道をしたのが共同データセットです。代表例がOpen X-Embodimentで、世界中のロボット研究室がそれぞれ集めたデータセットをひとつの形式にまとめました。

    単腕ロボットから双腕ロボット、四足ロボットまで、さまざまな形のロボットがそれぞれ別の作業をしている場面の集まり
    異なる機関が異なるロボットで集めたデータをひとつの形式にまとめたOpen X-Embodimentデータセット。画像:Google DeepMind, Open X-Embodiment、Apache-2.0.

    プロジェクトの公開資料によると、このデータセットは数十の機関の既存データセットを集め、100万件を超える実ロボットの軌跡と、20種あまりのロボット形態を収めています。ひとつの研究室が何年かけても届きにくい規模を、すでに散らばっていたデータを統合することでつくったわけです。

    アプローチデータの入手方法限界
    自前で収集人がロボットを操縦してデモ遅く、コストが高い
    共同データセット機関ごとのデータをひとつの形式に統合ロボットの種類と品質がばらばら
    シミュレーション仮想環境でいくらでも生成現実との差を埋める必要がある
    人の映像人が作業する映像から抽出関節の値ではないため変換が必要

    量より多様性が効く可能性

    データを統合するなかで見えてきたのは、単純な量より多様性が性能を左右するという点です。同じ部屋で同じコップを1万回つかんだデータより、いくつもの建物、いくつもの照明条件で別々の物をつかんだデータのほうが、初めて見る環境ではるかに崩れにくくなります。

    DROIDのように、数百のシーンと数十の建物で同じ規格のロボットアームを使って集めたデータセットが注目されたのも、ここに理由があります。ロボットはひとつに固定し、環境のほうを散らした設計です。

    ロボットデータの価値は件数ではなく、「何通りの状況を経験したか」で測るほうが実際の性能に近くなります。

    実務に残る示唆

    • データが参入障壁(モート)になる。 現場でロボットを動かす企業は、モデルをつくらなくてもデータを蓄積していきます。この資産の所有権と活用範囲は、契約書で前もって決めておくほうが安全です。
    • まず形式をそろえる。 機器ごとにログの形式がばらばらだと、あとで統合するときにコストがかかります。収集の初期に形式を合わせておくほうが安く済みます。
    • 公開データは出発点であって正解ではない。 共同データセットは一般的な操作能力を引き上げますが、特定の工程の成功率は、結局その現場のデータでファインチューニングしないと上がりません。

    まとめ

    ロボット学習のボトルネックは、モデルの構造よりデータの側にあります。インターネットから集められない種類のデータで、ロボットごとに形式が違うため再利用も難しいからです。複数の機関がデータを統合し形式をそろえる流れは、この限界を回避する現実的な方法とみられます。量より多様性が性能を左右するという観察が、収集戦略の基準になりつつあります。