Neura、触覚・音声を統合したロボット基盤モデルを開発

ロボティクス企業のNeuraが、視覚・触覚・音声の3種類の感覚情報を組み合わせた新しい基盤モデルを開発した。ロボットの知覚能力を高めることを目的としており、これまで視覚情報に偏りがちだったロボットAIの設計思想に一石を投じる取り組みとして位置づけられる。

これまでのロボット向けAIは、カメラ映像などの「視覚」を中心に据えた設計が主流だった。人間が物を手で触れて形や硬さを確認したり、音を聞いて状況を判断したりするように、ロボットが実際の作業をこなすうえでは、視覚以外の感覚情報も欠かせない。こうした背景から、触覚や音声を取り込んだマルチモーダル（複数の入力形式を扱う）なアプローチへの関心が、産業界全体で高まりつつある。

Neuraが開発した基盤モデルは、カメラからの映像だけでなく、物体に触れたときの感触データや周囲の音声情報も同時に処理できる設計になっている。これにより、たとえば柔らかい物体をつかむ際に必要な力加減の調整や、音から異常を検知するといった、視覚だけでは難しい判断をロボットが行えるようになることが期待される。ただし同社は、十分な量の実世界データでこのモデルを学習させることが難しい課題だとも認めている。

この課題はロボットAI開発全般に共通する壁でもある。視覚データは写真や動画という形で大量に収集しやすい一方、触覚センサーや音声のデータは実際のロボット動作を通じて地道に集める必要があり、データ収集のコストと手間が格段に大きい。モデルの性能はデータの質と量に直結するため、学習データの確保がこの分野の研究開発における共通の難所となっている。

それでもNeuraがこのアプローチに踏み切った背景には、視覚だけに頼るモデルの限界を補うことで、ロボットの競争力を高めようという判断があるとみられる。製造ラインや物流倉庫など、繊細な操作が求められる現場では、触覚や音声の情報が作業の精度を大きく左右する。複数の感覚を統合したモデルは、そうした環境での実用化に向けた一歩という見方ができる。

今後の焦点は、実世界データをいかに効率よく収集・活用するかにある。センサー技術の進歩やシミュレーション環境の活用など、データ不足を補う手段についての研究も並行して進んでいる。Neuraのモデルがこの課題をどう乗り越えるか、また他のロボティクス企業が同様のアプローチを取るかどうかが、今後の業界動向を占う上での注目点となるだろう。