資料
ダウンロード

Technologyテクノロジー

スタンドアローンで動く
説明可能な人工意識AC

当社は、駆動系にインテグレートする人工意識AC (リアルワールドにおけるAIエージェント)に関する独⾃技術を保有しております。
これまでの既存システムやヒューリスティック最適化とは違う、新しい制御⼿法により、「常識」を持った制御、「説明性（理由と根拠）」を持った制御を駆動系に反映することができます。
この制御⼿法により、複雑環境下におけるロバストな制御（スタンドアローンでの⾃律化）が可能になります。

FLOW人工意識ACの思考プロセス

  • 画像入力
  • シーン理解
  • 登場人物の
    予測
  • それぞれの
    行動予測
  • 全体としての
    危険性の予測
  • 総合評価

画像入力

コンビニ店内の様子

シーン理解

この画像は、清潔で明るい都市型のコンビニエンスストア店内の一コマです。
店内には整然と商品が陳列されており、中央左ではスーツ姿の男性客が若い女性店員から商品を受け取っており、右奥では女性客が冷蔵棚の商品を選んでいます。広告モニターにはペットボトル飲料の宣伝が表示されています。

登場人物の予測

1.スーツ姿の男性客
　　- 年齢：30代前半〜中盤
　　- 状況：昼休みや出勤・退勤時の買い物中

2.店員の女性
　　- 年齢：20代前半
　　- 状況：レジ対応中、明るく丁寧な接客中

3. 奥の女性客
　　- 年齢：20代後半〜30代
　　- 状況：買い物中、冷蔵食品などを選択中

それぞれの行動予測

●男性客は会計を終えた後、商品を持って店を出る可能性が高い。財布に小銭をしまいながら出口に向かうと予測される。

●店員は次の客への対応準備に入るか、レジ周りの簡単な清掃・確認を行う可能性がある。

●奥の女性客は、商品を1つ手に取って確認した後、数点を買ってレジへ向かう動きが予想される。

全体としての危険性の予測

現在の画像において、重大な危険要因は見当たりませんが、以下の点は注意が必要です

転倒リスク：光沢のある床材は転倒リスクがあるため、濡れている箇所などがあれば即対応が必要。

混雑によるトラブル：今後レジ前に客が集中すると、パーソナルスペースが確保しにくくなる可能性。

盗難や万引き：店員の死角となる場所があれば、不審者の行動に注意が必要。

総合評価

この画像のシーンは、一般的なコンビニエンスストアの一幕であり、特に目立った危険はありません。しかし、繁忙時間帯や混雑時には転倒や盗難のリスクが少なからずあるため、店員が適切に管理することが求められます。

従来型AIの場合

従来型AIの認識の様子

あらかじめ学習しておいた物体が
特定エリアに入っているかどうかを判定

学習していない物体や
モデル化していない動作に反応できない

人工意識ACの技術体系

当社が目指す「人工意識ACによる制御システム」は、単なる高度化された自動制御ではありません。
動的かつ予測困難な環境において、自ら状況を理解し、判断し、行動を選択する──
そのプロセスすべてに“意識的”な理由や根拠が備わっていることを重視しています。
このような人工意識の実現に向けて、私たちは技術全体を構造的に整理し、3つの中核的な系統に体系化しています。
それが「大脳系」「小脳系」「空間認知系」です。

Forcesteed Roboticsの人工意識AC体系図（大脳系、小脳系、空間認知系）

Cerebral AC大脳系人工意識AC

環境との相互作用を通じて「今どの行動が最も意味があるか」をリアルタイムに再評価。
ACがその場で価値を柔軟に生成・更新し、変化の激しい状況でも高度な判断と適応を可能にします。

  • 価値関数動的生成

  • VLM技術

  • LLM関連技術

  • 画像認識技術

  • 継続的自律学習アーキテクチャ
    好奇心（System4）

Cerebellar AC小脳系人工意識AC

反復学習とフィードバックによって、物理的な動作をスムーズかつ精緻に制御。
揺らぎのある現実環境でも、高速で安定した運動パフォーマンスを実現し、実機動作との親和性を高めます。

  • Robot LLM
    （Video Language Action Model: VLA）

  • パス/モーション プランニング

  • ロボット制御技術

  • ロボット模倣学習

  • シミュレーション

Spatial cognition AC空間認知系人工意識AC

周囲の地形や物体、人の動きなどをセンサーデータから立体的に認識し、自らの位置を高精度に把握。
空間的な文脈を読み取りながら、安全かつ自律的な行動を支える基盤技術です。

  • 自己位置同定技術

  • 3次元データ処理

  • セマンティック地図

CONTACT US

RECRUIT

価値関数動的生成

価値関数動的生成とは、状況や目的に応じて「行動の価値」をリアルタイムで生成・更新する技術です。従来の固定的な価値判断ではなく、環境変化やタスクの優先度に応じて柔軟に価値関数を構築することで、人間のような常識的判断や適応的行動を実現します。

VLM技術

Forcesteed Roboticsは、画像と言語を統合的に理解するVLM（Vision-Language Model）技術を活用。視覚情報を自然言語で解釈・応答することで、人工意識に高度な状況理解と直感的な対話能力をもたらします。追加学習・フルパラメータチューンなどまで対応を致します。

LLM関連技術

Forcesteed Roboticsは、ファインチューニングやRAGをはじめとするLLM関連技術を保有しており、文脈理解や外部情報との連携による高度な応答生成を可能にしています。これにより、より柔軟で知的な人工意識の実現を支えています。

◯低コストかつ高精度なファインチューニング
Forcesteed Roboticsは、LLMを省メモリかつ高精度にカスタマイズ可能な「QLoRA（Quantized Low-Rank Adapter）」技術を保有しています。軽量かつ柔軟なファインチューニングを実現し、エッジ環境でも動作可能な人工意識の構築に貢献しています。

◯ベクター×キーワードで実現する高精度なRAG技術
Forcesteed Roboticsは、RAG（Retrieval-Augmented Generation）技術を保有し、意味ベースで情報を抽出するベクターDBと、精密な語句検索に優れたキーワードDBを併用。高精度で文脈に即した応答生成を可能にしています。

画像認識技術

Forcesteed Roboticsは、従来型モデルの軽量・高速性と、基盤モデルの汎用性・拡張性を組み合わせた高度な画像認識技術を保有。静的・動的な視覚情報を高精度に処理し、複雑な環境下でも人工意識が状況を正確に理解・判断できるよう支援します。

■従来型
従来型の画像認識は、特定タスク向けに設計されたCNNなどのモデルを用い、分類や検出などに高精度で対応します。目的ごとに最適化されており、軽量かつ高速ですが、タスクの追加や変更には再学習が必要です。

■基盤モデル型
基盤モデル型は、大量の画像とテキストを学習した汎用モデルを用いることで、多様な画像認識タスクに柔軟に対応します。ゼロショット推論やマルチモーダル処理が可能で、拡張性と適応力に優れた次世代型のアプローチです。

継続的自律学習アーキテクチャ
好奇心（System4）

「好奇心（System4）」は、Forcesteed Robotics社が開発している人工意識AC（Artificial Consciousness）の中核構成の一つであり、ロボットが好奇心に基づいたデータのキュレーションと、継続学習を行うAIアーキテクチャです。

従来のルールベースや単純な強化学習では、未知の状況や例外的な環境変化への対応には限界がありました。一方で人間は、未知の事象に対して自ら情報を収集し、意味を見出して行動を変える“好奇心”に基づいた学習を行っています。Forcesteed Roboticsが開発を進める「好奇心（System4）」は、この人間の「好奇心」に着目し、ロボットに探索と更新のサイクルを内包させることで、環境に適応し続けるロボットのアーキテクチャを提案していきます。

system4アーキテクチャの説明

Robot LLM（Video Language Action Model: VLA）

RobotLLMとは、自然言語での指示を理解し、ロボットの動作計画・制御に変換する大規模言語モデル（LLM）ベースの技術です。
従来のロボットは「プログラムされた手順」に従って動作するものでしたが、RobotLLMは人の言葉を「意味として解釈し、動作へ翻訳」するインテリジェントな頭脳として機能します。

自然言語理解
「机の上の赤いカップを取って」のような曖昧な命令を文脈で理解

知識統合
LLMに搭載された世界知識＋視覚認識や地図情報などを併用

行動計画
意図を解釈して、「行動の目的」「アクションの順序」に変換

マルチモーダル対応
テキスト×画像×3D空間×センサ情報などの統合処理が可能（例：RT-2、PaLM-E）

パス/モーション プランニング

パスプランニングは目的地までの経路を、モーションプランニングはその動作方法を決定する技術です。ロボットが環境を認識し、安全かつ効率的に動作するための基盤となります。

ロボット制御技術

Forcesteed Roboticsは、画像と言語を統合的に理解するVLM（Vision-Language Model）技術を活用。視覚情報を自然言語で解釈・応答することで、人工意識に高度な状況理解と直感的な対話能力をもたらします。

ロボット模倣学習

ロボット模倣学習は、人の動作を観察・記録し、その動作を再現できるようにロボットが学習する技術です。プログラミング不要で直感的な教示が可能で、複雑な動作も柔軟に獲得できます。

●Kinesthetic Teaching
ロボットアームを直接手で動かして教える

●コントローラ操作
コントローラで操作しながらログを記録

●VR/ARインターフェース
仮想空間で人が操作→ロボットに反映

●視覚模倣
カメラ映像で人の動きを見て学ぶ（VIM : Visual Imitation Learning）

シミュレーション

ロボットの動作や環境との相互作用を仮想空間で再現・検証する技術です。安全かつ効率的にアルゴリズム開発や学習データ生成が可能で、現実導入前の最適化にも活用されます。

自己位置同定技術

ロボットの自己位置同定技術（自己位置推定）は、周囲の地図やセンサ情報をもとに、自分の現在位置と姿勢を推定する技術です。主にLiDAR、カメラ、IMU、エンコーダなどのデータを組み合わせ、SLAM（Simultaneous Localization and Mapping）やマッチング手法によって精度を高めます。自律移動や経路計画に不可欠な基盤技術です。

3次元データ処理

点群・メッシュ・ボクセルなどの3Dデータを用いて、物体認識やシーン理解を行う技術です。LiDARやステレオカメラから得たデータを処理し、深層学習モデル（例：PointNet, 3D CNN）で特徴抽出・分類・セグメンテーションを実施します。自動運転やロボットの空間認識に活用されます。

セマンティック地図

セマンティック地図は、空間情報に加えて、物体や領域の意味（例：建物、道路、歩道、標識など）を付加した地図です。センサーで取得した環境データをもとに、各要素を識別・分類し、地図上にラベル付けします。ロボットや自動運転車がより高度な判断や行動を行うために重要な役割を果たします。