Technologyテクノロジー
技術トピックス
ロボットは複合技術です。さまざまな技術を組み合わせて、1つのロボットが構成されます。ここでは、さまざまなロボットへ応用できる技術 ― 当社（FSR）の技術や、手の内化した最先端技術 ― をご紹介いたします。
OpenJevで落ち物パズルの1手を選ばせてみた ― 文章を作らず、候補手の確率だけを読む
OpenJevを落ち物パズルに組み込み、各ターンで「どこに置くか」だけを選ばせました。盤面と合法手を渡して1回 forward し、候補ごとの確率を読んで着手します。記録した4手はすべて生成トークン 0。代表例は16候補から drop_r2_x3（0.735）を選択。手元のRTX 5090では1手 0.276〜0.661秒でした。プレイの上手さではなく、短い判定をゲームループへつなげる実験です。
文章を生成しない「型付き判定」― 人工意識の小さな判定を、確率エンジンで速く回す OpenJev
人工意識（AC）の知覚と行動のあいだでは、「許可されているか／証拠は十分か／どこへ振るか」といった小さな判定が絶え間なく発生します。そこを生成AIの文章に任せると遅く、出力が崩れると後段も崩れます。OpenJev は状況・質問・選択肢を渡すと、文章ではなく各選択肢の確率だけを返す型付き判定コンポーネントです。公開モデルへの追加学習で、未学習領域の正解率を 80% → 88% に改善（実測）。判定1件は 36ミリ秒です。
取り込みから学習・推論まで、一本のパイプラインに ― 統合認識開発環境 RecogStudio
物体検出・個体セグメンテーションの開発は、取り込み・アノテーション・学習・評価・推論がスクリプトと環境に散らばりがちです。RecogStudio は LabelMe を正本とし、変換・学習・評価をファイル契約でつなぐ統合認識開発環境です。GUI で押したボタンは同じ CLI になり、画面操作はバッチとして再現できます。個体セグの実測では val 144枚 / 3,935 inst で bbox mAP 0.609・segm mAP 0.655。
日本語で頼むだけで、3D設計データができる ― ローカル完結のAI 3DCAD「Parts Studio」
「幅80mmのスマホスタンドを作って」と日本語で頼むだけで、3D形状の設計データ（STL / CAD）が出来上がります。当社の AI 3DCAD 環境「Parts Studio」は、むずかしいCAD操作をAIが肩代わりし、寸法はパラメトリックに後から直せます。設計は手元のPCで完結し、提案は承認してから反映。色別STL・3MF・図面PDF・部品表まで書き出せ、3Dプリンタへそのまま渡せます。
モーションプランナーを内製した ― 障害物回避から円弧・直線追従・両腕まで、自前の計画エンジンで
ロボットアームの動きを計画する「モーションプランナー」を内製しました。狙いは“説明責任”です。MoveIt のような優れたOSSに全面依存すると、現場で問題が起きたときに原因を追い切れず、自分たちで直せません。そこで、中身を把握して直せる自前の計画エンジンに踏み切りました。機能は MoveIt 同等を確認済み ― 障害物回避・手先姿勢の指定・狭所通し・工場セル、そして 7軸×2本（14自由度）の両腕同時計画まで。さらに「接近は関節計画、作業部は直交座標」で、ボウル周囲を270°拭く・パイプを溶接する・壁面を70cm直線走査するといった“現場に即した作業軌道”も出せます。viser 3D で実機に近い見た目のレビューも可能。高度に特化した商用製品の領域を除けば、現場作業の約9割はこれで対応できると考えています。
床の模様だけで、地図と自己位置を ― 下向きカメラ1台のSLAM「slam_tenchi」
特別なセンサやマーカを敷き詰めなくても、床の“模様”そのものを手がかりに、地図づくりと自己位置推定ができます。slam_tenchi は、下向きカメラ1台で床を撮り、同じ座標系で地図（MAPPING）と自己位置（LOCALIZATION）を出す床SLAMです。尺度はカメラ高さ（0.35m）が既知なので、実寸のSE2姿勢（x, y, yaw）が得られます。自己位置は「一度合わせて積算」ではなく毎フレーム地図に照合するため、ドリフトが積み上がりません。マーカ配置図（YAML）があれば絶対姿勢を優先するハイブリッドにも対応。Gazebo評価で地図4.5mm・自己位置6.1mm（閾値はcmオーダー）、CUDAで62ms/frame。Pythonから数行で呼べます。
会話のたびに“顔と声”の映像を即つくる ― 対話型映像生成の技術サーベイ：FastH3
動画生成AIは、品質の競争から《速度》の競争へと重心を移しつつあります。その先にあるのが「対話型映像生成」― 会話のたびに、顔と声のある短い映像をその場で生成して返す技術です。本記事はFSRの技術サーベイとして、少ないステップ数で生成する蒸留型の映像生成（FastH3 / MiniMax H3 系）を取り上げ、処理パイプライン・速度の位置づけ（RTX 4090で5秒クリップを約18〜24秒）・生成例・ロボットHRIへの示唆を整理します。ロボットの『見る・動く』（入力側）に対する、『見せる・話す』（出力側）の候補技術として観測しています。
ロボットの大脳を、オフィスの事務にも ― ローカルAIエージェント「LUQUA」で毎日の定型業務を自動化
LUQUA は、閉域（LAN内）・自社GPUで動く当社のローカルAI基盤で、本来は『知覚→判断→行動』の判断部を担う“ロボット用の大脳系”です。そのLUQUAが、実はオフィスの定型事務でも大活躍します。Slack巡回・未読メールの仕分け・会議準備・議事メモ・週報・タスク板の整備… こうした毎日の作業を、チャットで頼むだけでLUQUAが代行。Slack / Gmail / スケジュール / Trello / ブログ / Notion / ノートの7連携をMCPツールとして呼び出し、『集める→判断する→記録する』を一気通貫で自動化します。データは外部クラウドに出さず、送信・投稿は“人が最終承認”。1人あたり毎日1〜2時間の事務削減が見込めます。
建物そのものが“見守る”眼 ― ルールで漏らさず、KAIROSで見分ける二層転倒検知「HYAKUME（百目）」
見守りカメラの「転倒検知」は、“見逃さないこと”と“誤報を出さないこと”の両立が難しいテーマです。HYAKUME（百目）は、当社のアンビエント知能OS「FSR-AC」の《眼》にあたる空間認識・見守りコンポーネント。軽量ルール（L0）で疑いを漏らさず、リアルタイム動画認識エンジン KAIROS（L1）で「事故か・意図的な動作か」を意味で見分ける二層構成です。公開研究データセットの実写107クリップで実測し、二層で転倒 recall 0.948／紛らわしい動作の誤報 12→0／判定レイテンシ p95 1.85秒 を達成しました。生映像は外に出さず、エッジで認識して“意味イベント”だけを上位へ渡す、プライバシー配慮の設計です。
ロボットの行動環境を管理する地図基盤 ― スマートシティのデジタルツインと現場をつなぐ「PointCloud Manager Pro」
ロボットが動く現実空間は、いまや点群・ベクター（HDマップ）・経路（WAYPOINT）が入り混じる《3D環境データ》の集合体です。PointCloud Manager Pro は、これらをGPS座標（WGS84）を共通軸に一元管理し、スマートシティのデジタルツインとロボット現場をつなぐ地図基盤です。集める（自動スキャン登録）・位置合わせする（外部パラメータ＋地面推定＋WGS84）・見る（3D統合ビューとOSM地図）・配る（REST APIで近傍/範囲だけ供給）まで一気通貫。ロボットの行動環境に対するデータ管理・管制システムのベースとなります。
アナログメーターをAIが読む ― 読値を構造化JSONで出力し、“鵜呑みにしない”フェイルセーフ設計
現場のアナログ計器（圧力計・温度計など）の写真を入れるだけで、指針の読値・単位・スケール・自信度を《構造化JSON》として出力するAIです。視覚言語モデル（VLM）を画像→JSONのペアでファインチューニングしました。当社の独自性は精度の高さだけではありません ―「AIの読みを鵜呑みにしない」フェイルセーフ設計で、パース失敗やレンジ外は棄却し、誤読を黙って通しません。実写1,007件で JSON妥当率 99.8%・誤差5%以内 79.0%（アナログ計器読取のSOTA水準に匹敵）。仕組み・設計思想・実例・失敗要因までを紹介します。
顔写真で本人確認する ― 顔認証を“手の内化”して内製、写真なりすましも深度で拒否
顔を512次元の数値（特徴ベクトル）に変換し、その“近さ”をコサイン類似度で測って「同じ人か？」を判定する ― これが顔認証（1:1本人確認）です。技術的には公知の手法（ArcFace系）ですが、当社はそれを自分たちで実装・評価し、実運用に向けて作り込む“手の内化”として内製しました。標準ベンチマーク5種平均97.54%・LFW 99.82%（世界SOTA同等クラス）に到達し、なりすまし対策は RealSense の深度カメラによるライブネス判定で写真・画面の提示を拒否します。仕組み・精度・実例・実装のこだわりを紹介します。
5つの危機を「確実に使える技術」で見張る ― 危機管理 認知技術スイート
炎・煙、モーター異音、ガス、油漏れ、過熱 ― 現場の5つの危機を、それぞれ専用の認識器で捉えるモジュール群です。巨大モデルのファインチューニングだけに頼らず、実績のある画像処理・信号処理・統計を土台に、定量評価と単体テストで品質を担保しました。各認識器はMCP経由でAIエージェント（当社 Luqua 等）へ接続し、FSRの「Physical AI OS」の“感覚器”として、危機の認識をエージェントの判断力に変えます。現在はα版として、全5技術が連続監視アプリとして稼働しています。
音を頼りに動くロボットAI ― 「行動を言葉で説明」させて賢くする DescRL を調査・再現
部屋のどこかで鳴る音（電話の着信音など）だけを頼りに、ロボットが音源まで移動する ― この難しいナビゲーションを、強化学習エージェントに「自分の行動を言葉で説明させる」補助タスクを足すだけで賢くする、というのが ICCV 2025 の論文（Haru Kondoh, Asako Kanezaki／東京科学大・RIKEN AIP）の主張です。説明の教師データは学習済み VLM が自動生成し、エージェントはそれに近づくよう学習（知識蒸留）。推論時は教師 VLM も不要で自己完結します。当社の論文調査・手の内化の一環として、シミュレータ環境（Habitat + SoundSpaces）を構築し、公式の学習済みモデルを実際の室内3Dシーン（Replica）で動かしてナビ評価まで回しました。論文の報告値と、当社が実際に確認できた範囲を分けて紹介します。
15 の業務を live で完走した“人工意識” ― GUARDIAN System2 (AC) のアーキテクチャ
GUARDIAN は、施設を巡回・点検する自律ロボットを System1（身体）× System2（人工意識・AC）× System3（対話）の三層で構成したプラットフォームです。中核の System2 は「主脳（計画立案）・保護層（検証）・反射層（即応）」に分かれ、安全反射を最優先しながら、LLM が立てた計画を必ず“能力・運用領域・安全規則”で検証してから動きます。自然言語の指示から報告まで一気通貫の業務シナリオ15本を、Gazebo＋実SLAM＋実AIスタックの live 実測で 15/15 PASS。人工意識とは「賢い応答」ではなく、自分と世界を知り、自問し、規則に従い、経験から学び、その全てを後から説明できる“検証可能なアーキテクチャ”のことです。
軽くて、読めて、AIと組める物理エンジン ― 統一粒子シミュレータ「physica」
高機能な物理シミュレータは、高精度な解法・大規模並列・レンダリング・ロボットモデルまで備える一方で、実行環境や依存関係も相応に大きくなります。physica は、そこを狙わず“物理試行に必要な部分だけ”を小さく保つために自作した物理エンジンです。pip だけ（numpy / scipy のみ）で動き、CPU でも実用・GPU でも加速。剛体・液体・気体・ゴムを《1つの粒子系》で連成し（XPBD + PBF）、中身は約3,000行の純Pythonで読める・改造できる。狙いは AI エージェントの“物理直感”の肩代わりと、手軽な強化学習環境。軽いからこそ、たくさん試せます。
「昨日そこにあった物、いまどこ?」に答えて、取りに行く ― 時空間セマンティックマップ「STREAM4D」
空間の3Dマップに“時間軸”を持たせる ― 360°カメラとLiDARで環境を巡回するだけで、物体単位の3Dマップに時刻情報が積み重なった「4Dセマンティックマップ」が蓄積されます。「昨日テーブルにあったボトル、いまどこ?」「先週から動いた家具は?」といった“いつ”を含む問いに自然言語で答え、そのまま対象へロボットを走らせるところまでを扱う、当社の研究テーマ STREAM4D を紹介します。
AIの「あいまいな認識」を確率にして、安全に考えて動かす ― 確率論理エンジン「Symbolica」
LLMやVLMの認識は本質的に“あいまい”です。その出力をそのまま行動につなげると、危険で、しかも「なぜそう動いたか」を説明できません。Symbolica は、あいまいな認識を《確率つきの事実》として受け取り、固定した論理ルールでゴール判定・行動選択・安全条件を決めて実行する、当社オリジナルの基盤です。“認識はモデルに、判断は固定ルールに”役割を分け、考えてから動き、危険なら即座に止まる ― ロボットのような物理AIエージェントを安全に動かすための土台を紹介します。
映像の“意味”を、いまリアルタイムに理解する ― ストリーミング時系列理解エンジン「KAIROS」
動画を“あとでまとめて要約する”のではなく、流れてくる映像を逐次的に理解し、『いつ・何が・どの順で起きたか』を準リアルタイムに読み取る ― 当社のストリーミング時系列理解エンジン「KAIROS」を紹介します。世界標準のオンライン動画ベンチマーク OVO-Bench（CVPR2025・3カテゴリ12タスク・約3,000問）で総合66.7%、リアルタイム知覚は応答中央値0.32秒。単一GPU・学習追加なしで動きます。『十分な証拠が揃うまで待って、答えるべき瞬間を自分で判断する』という設計は、そのままロボットなど物理AIエージェントに効きます。
実モーションキャプチャで3Dアバターを踊らせる ―「関節角度」でロボットともつながるデジタルツイン
プロが踊った“動きのデータ”（モーションキャプチャ）を、Webブラウザ上の3Dアバターにそのまま踊らせるスタジオを作りました。動きもアバターも既存の転用素材（Mixamoのmocap／VRM・GVRMのサンプルモデル）で、当社が独自に作ったのは“システム”― FBX解析からリターゲット、制御、ポリゴンとガウシアン2方式の描画までを1つに束ねる部分です。そして最大のポイントは、この『関節角度の時系列で身体を動かす』枠組みが、そのままロボットの制御・デジタルツインと地続きだということ。人間アバターとロボットを貫く共通言語を、身近なアバターダンスの題材で示します。
人工意識に「危険を見抜く目」を与える ― 危険シーン約7,000件のデータセットを自作して鍛えた結果
どれだけ賢く考えられても、目が危険を見落とせばロボットは正しく動けません。そこで当社は、人工意識 AC の『目』にあたる画像認識AI（VLM）を、危険察知に特化させて鍛え直しました。教材は既製品ではなく、災害・防犯・交通・動物・天候など8分野の危険場面 約7,000件を自分たちで構築。結果、小さいモデル(0.8B)は危険シーン40枚中の合格が18→30枚へ大幅に改善し、中モデル(4B)も34→38枚（悪化ゼロ）に。特に災害分野は0→4枚と、教材を強化した分野がそのまま伸びました。
3Dシーンを組んで、そのままロボットのシミュレータへ ― 統合3Dツール「3dbuilder」
基本形状を置いて形を作り、520点超の同梱カタログから家具・小物を並べ、質感をつける ― 3D初心者でも直感的に扱える当社の統合3Dツール「3dbuilder」を紹介します。LiDARスキャンの点群や OpenStreetMap の街並みを取り込んで“実際の現場”を再現でき、組んだシーンは三大シミュレータ（Isaac Sim・Gazebo・MuJoCo）へワンクリックで書き出せ、逆に3つのシーンデータを読み込むこともできる（テクスチャ込み）ため、シーンデータコンバータとしても使えます。産業工程やロボット作業環境の再現、さらには強化学習の学習環境づくりまでを、1つのアプリで完結。Python製・オフライン動作。
ブロックを繋ぐだけで Python が動く ― 画像処理・AI・ロボットを1画面で組む「BlockPy」
ブロック（ノード）を線で繋ぐと、そのまま Python 処理として実行される ― 当社のビジュアル・フロー・プログラミング環境「BlockPy」を紹介します。中身は本物の Python（OpenCV・PyTorch・ROS2 をそのまま利用）で、96 ツールボックス・1682 ブロックを内蔵。ArUco マーカーの生成 → 検出 → 表示を 6 ブロックで組み、▷実行を押すだけで結果がライブ表示されます。ブラウザ・デスクトップ・AI エージェント（MCP）の3つの入口から同じフローを動かせ、MATLAB Simulink との比較も交えて解説します。
マーカーなしで複数人の全身を3D化する ― モーションキャプチャ研究 MAMMA を調査・再現
スーツもマーカーも着けず、複数のカメラで撮った映像だけから、複数人が接触しながら動く様子を『手の指先まで』3Dで復元する ― CVPR 2026 Oral の論文 MAMMA を、当社の論文調査・手の内化の一環として読み解き、実際に動かして再現しました。多視点の読み込みから人物セグメンテーションまでの前半パイプラインを再現し、公式の学習済みモデルが取得制のため、DINOv3 と SAM 3D Body を用いて姿勢の3D復元まで実証しています。人の動きを、そのままロボットの教師データにできないか ― という観点でも注目している技術です。
ことばで指定するだけでモノを掴む ― RealMan × Forcesteed Robotics のAIピッキングシステム
「bottle を取って」――対象をことばで指定するだけで、ロボットが自分で見つけて3次元的に掴む。従来のように物体ごとのテンプレート登録や照明ごとの再調整は不要です。協働ロボットアーム RealMan RM-65 と、当社のオープン語彙認識・動作計画ソフトウェアを組み合わせた統合ピッキングソリューションを紹介します。
写真1枚から人の全身を3Dに ― Meta の「SAM 3D Body」を調査・再現
たった1枚の画像から、人の全身（体・手・足）の3Dメッシュを高精度に復元する ― Meta が公開したオープンソースモデル『SAM 3D Body』を、当社の論文調査・手の内化の一環として読み解き、実際に動かして再現しました。倒れ込み・遮蔽・空中で逆さといった難しいポーズでも、コンシューマGPU 1枚で全身の姿勢を復元できることを確認。人の動きを、そのままロボットの教師データにできないか ― という観点でも注目している技術です。
実世界で“同じ点”を追い続ける ― ポイント追跡 Track-On-R を調査・再現
動画の中の“同じ1点”を、遮蔽や高速な動きをまたいで最後まで追い続ける「ポイント追跡」。合成データで学習したモデルは実世界で精度が落ちますが、CVPR 2026 の Track-On-R は「複数の教師モデルの予測を、フレームごとに見極める Verifier」で未ラベルの実世界動画に適応し、4つのベンチマークで最高精度を達成しました。当社の論文調査・技術の手の内化の一環として本手法を読み解き、DINOv3 バックボーンで実際に動かして再現したので紹介します。
散らかった公園で、ロボットは何をすべきか自分で考える ― 人工意識 AC
カメラがとらえた1枚の画像から、「今どういう状況か」を理解し、「何が危険か」を見つけ、「次に何をすべきか」を計画し、「なぜそうするか」を説明し、「完了条件」まで自分で定義する ― 当社の人工意識 AC。散らかった公園を巡回するサービスロボットを例に、状況認識から行動判断までを完全ローカル（クラウド不要）でこなす様子を紹介します。
画像とことばから「ゴール達成度」を測る ― 動的価値関数（Dynamic Value Function）
カメラ画像と、ことばで書いたゴール（例:「カップを注ぎ口の下に置いて」）だけを入力に、「今どれだけ達成できているか」を 0〜1 のスコアで測る仕組みです。達成度に加えて『何が足りないか』『次に何をすべきか』も同時に出力し、プロンプトが変われば価値関数そのものが即座に組み替わります。ゴール画像なし・ことばだけで、実機ロボットの家事デモの進捗を高精度に追えることを確認しました。
四足歩行ロボットがバク宙する ― 強化学習でつかむダイナミック全身制御
四足歩行ロボット Unitree Go2 に、強化学習で「歩く・登る」から「宙返り（バク宙）」までを習得させたデモ映像をまとめました。安定した移動能力を土台に、踏切から空中での回転、そして着地までを一連で制御する全身ダイナミック動作 ― 360°バックフリップを、シミュレーション上で64回中64回成功させるまでの記録です。
音声ひとつで巡回・点検・帳票まで ― 自律型サービスロボット「GUARDIAN」
GUARDIAN は、施設内の巡回・点検・案内を人手に頼らず自律で遂行するサービスロボットプラットフォームです。「知覚・制御・認知・対話」の4層を統合し、音声指示ひとつで 巡回→撮影→AI一次判定→記録→帳票→定位置帰還 までをエンドツーエンドで自律遂行します。LLMや音声合成を含め、すべてオンプレGPUで完結（クラウド不要）。
好奇心をもったAI ― 珍しいデータを自ら集めてくる「Curiosity Engine」
AIの認識精度を上げるには、めったに現れない『ロングテール』のデータが欠かせません。Curiosity Engine は、AI自身が“好奇心”で珍しいデータを見つけ、理由付きで自動収集する仕組みです。当社の認識AI基盤 System4 の新規性判定を土台に、発見から出荷までを人手ゼロで回します。実データ（Caltech-256）での検証結果とともに紹介します。
アームを直接動かして教える ― LEIVOR ダイレクトティーチング
ロボットのアームを手で直接動かして動きを教える「ダイレクトティーチング」のデモです。教えた姿勢を LEIVOR に登録し、そのまま実機で再生できます。プログラミング不要で、現場の人がロボットに動きを覚えさせられます。
組んだタスクを、そのまま実機へ ― LEIVOR ピッキングデモ
LEIVOR 上でノードをつないで設計した picking タスクを、そのままデュアルアームロボットの実機で実行するデモです。教示（ティーチング）で作った動作と、模倣学習で作った動作を、ひとつのタスクに組み合わせられます。
ルールベース制御から模倣学習（VLA-AI）へ、シームレスに切り替える ― LEIVOR
決められた手順どおりに動く「ルールベース制御」から、お手本から学んだ「模倣学習による VLA-AI 制御」へ。性質の異なる2つの制御方式を、同じ LEIVOR 上でシームレスに切り替えて実機で実行するデモです。
コンシューマGPUで最新の動画生成AIを動かす ― オープンソース統合エンジン Wan2GP
最新の動画生成AIは数十GBのVRAMを前提とし、手元のGPUでは動かせないことも少なくありません。『Wan2GP』は最小6GBのVRAMから動かせるオープンソースの統合エンジンです。Wan / Hunyuan / LTX / Flux / Qwen を単一のUIに束ね、省メモリ・高速化・高度な制御を標準搭載しています。本ツールで実際に生成した動画・画像とともに紹介します。
濁った水中映像を色補正・鮮明化する ― 水中映像強調システム
青緑にかぶって霞んだ水中映像の色とディテールを回復し、見やすく整える『水中映像強調システム』のデモです。色補正・安定化・鮮明化・ノイズ除去を一連で行い、画像も動画もまとめて処理します。
カメラ映像だけで数秒先の経路を予測 ― ARIA 屋外デモ
カメラ映像だけを入力に、数秒先の移動経路を予測する ARIA の屋外デモ映像です。高価なセンサーに頼らず、カメラ1つで『先読み』するナビゲーション技術をご覧いただけます。
ノードベースでヒューマノイドと画像処理を統合 ― LEIVOR デモ
ヒューマノイドの制御と画像処理を、ノードをつなぐビジュアルな仕組みで統合する LEIVOR のデモ映像です。認識から動作までを一つのフローで組み立てられる開発スタイルをご紹介します。
動画から3Dモデルをつくる — スマホ動画1本で点群・メッシュ・写実3Dを生成
対象物のまわりを一周撮影した動画1本から、点群・3Dメッシュ・写実モデルまでを自動生成する技術『video2model』を、初心者向けにやさしく解説します。HunyuanWorld-Mirror と 2D Gaussian Splatting を組み合わせた処理の流れを、実際の作例とともにご紹介します。
Unitree Go2 四足歩行ロボット 強化学習デモ成功事例集
四足歩行ロボット Unitree Go2 に強化学習で習得させた歩容・動作のデモ映像をまとめました。多様な地形・姿勢でのロバストな運動制御の成果をご覧いただけます。
該当する記事がありません。
当社の技術的な強み・体系については、こちらをご覧ください。
人工意識ACの技術体系 →