リコー　動画像から人の動きを学習し、さまざまなロボットへ適用可能なフィジカルAI技術を開発

リコー　2026年8月31日発表

　リコーは、人間やロボットの作業動画などの動画像データから、ロボットの機構や身体構成に依存しない行動表現を学習するフィジカルAI技術を開発した。
　本技術では、Latent Action Model（LAM、潜在行動モデル）を活用して、人間やロボットの作業動画から「物を持つ」「前進する」「対象を移動させる」などの行動を共通表現として学習する。仮想環境上に構築したシミュレーション環境において有効性を確認しており、今後は実環境での検証を進めながら、さまざまな作業や環境への適用可能性を評価していく。
　本開発は、アマゾン ウェブ サービス ジャパン合同会社（AWSジャパン）の「フィジカルAI開発支援プログラム by AWSジャパン」を通じて提供された計算リソースおよび技術支援を活用しながら進めてきたもの。

　製造、物流、保守などの現場では、人手不足や熟練者の知見継承といった課題に加え、完全自動化が困難な業務が依然として多く残っている。そのため、現場の状況を認識し、判断しながら柔軟に作業できるAIとロボティクスの融合技術である「フィジカルAI」への期待が高まっている。
　リコーは、これまで培ってきたAI・画像認識技術の強みを生かし、AI活用領域をデジタル空間から実世界へ拡張する取り組みとして、フィジカルAIの研究開発を進めている。

■開発の成果
　「フィジカルAI」開発において、現在のVLA（Vision-Language-Action、視覚・言語・行動）モデルは、実際の現場で活用するためには現場課題ごとにモデルのチューニングが必要となるケースが多く、実機データの収集が負荷となっている。また、ロボットの構成（ヒューマノイド、腕部、2指／5指ハンド等）によって行動の表現形式や制御仕様が異なるため、ロボットごとに学習データを集め直す必要があり、スケーラブルな導入の妨げとなっていた。特に、ヒューマノイドロボットにおける実機データの不足は大きな課題となっている。
　今回リコーは、ロボットの機構や身体構成に依存しない行動表現を学習する「Latent Action Model（LAM）」を活用し、汎用性の向上を目指したフィジカルAI技術を開発した。LAMでは、人間やロボットの作業動画などから、「物を持つ」「前進する」「対象を移動させる」といった行動を、ロボット固有の制御方式に依存しない共通表現として学習する。この行動表現をVision-Language Model（VLM）の学習に活用することで、多様なロボットやタスクへの適用可能性を高めたVLAモデル生成を実現した。LAMの学習には、人間の作業動画データを活用し、実機データ収集のコストを抑えながら、行動表現の再利用性向上を図っている。また、シミュレーション環境で学習した成果を実機へ展開するSim2Real技術を活用することで、実機ロボットへの迅速な導入を目指す。
　本開発では、AWSのクラウド技術を活用し、効率的な学習環境を構築した。Amazon EC2やAmazon S3などのサービスを活用することで、大規模なデータ処理やモデル学習を効率的に実施した。

■今後の展望
　フィジカルAIの実用化においては、AIモデルの性能向上だけでなく、現場特有の変化や制約を踏まえ、人にとって安全で信頼できる形で価値を提供することが重要である。
　リコーは、これまで培ってきた画像認識・文書理解・AI活用の技術資産を基盤に、今後は、オフィス、工場、物流、保守などの現場を想定し、さまざまな作業や最適なロボット構成についての検証を進める。実際の現場での社内実践を踏まえて、フィジカルAIの社会実装に向けて取り組んでいく。