用語集・解説

Figure AIは、人型ロボットの制御方策を実機で試し、家庭内作業や工場接続の文脈で語られている企業である。本紙の公開記事では、Helix 2.5の家庭内試験や、Tesla・BMW・メルセデスの産線接続の話題が確認できる。検索意図に答えるなら、Figure AIは「人型ロボットを研究段階から実運用へ近づける会社」と理解するのが近い。

Bulwark Dynamics Japan合同会社を調べる読者の多くは、Boston Dynamicsとの関係や国内での位置づけを知りたいはずである。結論から言えば、本紙の公開記事で確認できるのはBoston Dynamics本体の動きと国内パートナーの事例であり、Bulwark Dynamics Japan合同会社そのものの公開情報は本紙素材内では確認できない。そこで本稿では、Boston Dynamicsの最近の報道を手がかりに、両者をどう切り分けて理解すべきかを整理する。

e-vlaはロボット向けVLA（視覚・言語・行動）モデルの一種で、Hugging Face上で公開されている。本紙の報道では、ZenmaやLeRobotなどが関連モデルを公開しており、e-vlaも同様の文脈で理解できる。本稿では、e-vlaの定義と周辺事例を解説する。

Jetson Xavier NXはNVIDIAが2019年に発表したクレジットカードサイズのAIボードで、最大21 TOPSの性能を持つ。本記事では、Seeed Studioの製品例や価格比較を通じて、その特徴と用途を解説する。

MELFAは三菱電機の産業用ロボットのブランド名である。本紙は2020年に同社初の協働ロボット「MELFA ASSISTA」の発売と南北米展開を報じ、2024年には重可搬・長リーチの新シリーズ「RV-35/50/80 FR」を報じた。本稿ではMELFAの定義と、これらの実例からブランドの特徴を解説する。

テレオペレーションは人間が遠隔操作でロボットを動かす技術で、ロボットの学習データを効率的に集める手段として注目されています。人手の操作データは、ロボットが複雑な作業を学ぶための「教科書」となり、基盤モデルの性能向上に欠かせません。この記事では、その仕組みと重要性を初心者向けに解説します。

ワールドモデルとは、ロボットやAIが環境の「次の状態」を予測するための内部モデルです。これにより、実際に動かす前に結果をシミュレーションし、効率的で安全な行動が可能になります。自動運転や家事ロボットなど、実世界で活躍するAIの基盤技術として注目されています。

NVIDIA Cosmosは、ロボットや自動運転AIが現実世界で動く前に、仮想空間で「世界のルール」を学ぶための基盤モデルです。物理法則や物体の動きを大量の動画から学習し、現実に近い合成データを生成します。これにより、実機での試行錯誤を減らし、AI開発を加速させます。

NVIDIA Isaacはロボット開発のためのプラットフォーム群で、シミュレーション環境（Isaac Sim）、強化学習フレームワーク（Isaac Lab）、ロボットOS向けライブラリ（Isaac ROS）から構成されます。それぞれが「仮想空間での訓練」「学習アルゴリズムの実装」「実機への展開」という役割を分担し、開発プロセスを効率化します。本記事では、これら3つのツールの違いと連携の流れを初心者向けに解説します。

LeRobotは、Hugging Faceが公開したオープンソースのロボット学習ライブラリで、データセットの共有・学習・実機展開までを一貫して行えます。専門知識がなくても、画像と動作の記録からロボットに新しいタスクを教えられます。まるで「ロボットのためのGitHub」のような存在で、コミュニティで共有されたデータやモデルを活用できます。

中国のヒューマノイド業界は、EV大手、ロボット専門企業、ネット大手の3類型に分かれ、それぞれ異なる強みを持つ。量産と価格競争力の源泉は、サプライチェーン、政府支援、データ収集の3点にある。最新の具体的数値は流動的だが、業界全体として急速な進化を遂げている。

Sim2Realは、ロボットやAIがシミュレーション環境で学習し、その知識を実世界で応用する手法です。しかし、シミュレーションと現実の差（リアリティギャップ）が大きな壁となります。この記事では、その難しさと克服するための主要なアプローチを解説します。

ロボットの筋肉にあたる部品で、電気や空気の力で動きを生み出す装置。

回転角度を精密に制御できるモーター。ロボットの関節などで使われる。

電気で回るモーターで、ブラシ（こすれる部品）がないため、静かで長持ちする。

モーターと関節を、低い減速比の軽いギアだけでつなぐ駆動方式。力の変化を素早く感じ取れて滑らか。

人間に似た形(二足歩行・腕・手)を持つロボット。人向けの環境や道具をそのまま使える点が狙い。

ロボットアームの先端に取り付けて、実際に対象へ働きかける装置。つかむ・吸う・締める・溶接するなど、作業内容ごとに交換する「手」にあたる部分。

工場や倉庫で自動で荷物を運ぶ、床を走るロボット台車。

AMR（自律移動ロボット）は、周囲をセンサーで認識しながら自分で経路を決めて動く、工場や倉庫で活躍する「賢い台車」のこと。

人と一緒に安全に働くことを目的に設計されたロボット。

多指ハンドは、人間の手のように複数の指を持つロボット用のハンドで、物を掴んだり細かい作業をしたりするための装置です。

ロボットが物を掴んだり動かしたりする、手や腕の動きを制御する技術。

人間が遠くからロボットを操縦すること。まるでゲームのコントローラーでロボットを動かすイメージ。

ロボットが接触する力やトルクを調整しながら動く制御方法。

ロボットが倒れずに立つための、足裏の接地圧力の中心点。

モデル予測制御（MPC）は、未来の動きを予測して最適な操作を決める制御方法です。

全身制御とは、ロボットの全身の関節や部位を協調させて、バランスを保ちながら目的の動作を実現する制御技術です。

ロボットが力と位置を柔軟に調整する制御方法で、バネのように動きを調節します。

現実世界で身体(ロボットなど)を使って行動するAI。見る・意味を理解する・体を動かすまでを担い、画面の中で完結しない。

二足歩行とは、人間のように2本の足で立って歩く移動方法のことです。

ロボットが自分の力で場所を移ること、およびその制御技術。車輪・クローラ・脚などの方式があり、脚型は不安定さゆえに難しい。

ロボットや機械が動ける方向の数。自由度が多いほど、複雑な動きができる。

モーターを止めた状態で、関節を外から手で動かせる度合い。高いほど、当たった力を感じ取れて人や環境に優しい。

画像や動画の一部を隠して予測することで、世界の構造を学ぶ自己教師あり学習の枠組み。

シミュレータの中で学習した制御を、現実のロボットに移して動かす手法。シミュレーションと現実の差(リアリティギャップ)をどう埋めるかが本題。

画像とテキストを統合的に処理し、視覚情報と言語の対応関係を学習するモデル。

多指ロボットハンドを用いて、物体を器用に操る操作技術。

センサー入力から行動出力までを一つのニューラルネットワークで直接学習する手法。

体の位置や動きを感じ取る感覚で、目を閉じても手足の位置がわかる能力。

LiDARは、レーザー光を照射して反射が返ってくる時間を計測し、物体までの距離や形状を3Dで把握するセンサー技術です。

色(RGB)に加えて画素ごとの距離(Depth)を測るカメラ。1枚の撮影から3次元の点群が得られ、ロボットの把持や障害物回避の基礎になる。

ロボットが触れた感覚を電気信号に変えるセンサー。

大量のデータで事前学習された、様々なタスクに応用できる汎用的なAIモデル。

「画像を見る」「言葉で指示を理解する」「動作を出力する」を1つにまとめたロボット用AIモデル。

AIが環境の仕組みを内部に再現し、未来を予測するためのモデル。

拡散ポリシーは、ロボットの行動を生成する際に、ノイズから徐々に行動を洗練させていく手法です。

中心の太陽ギアの周りを複数の小ギアが公転する減速機。小型で大きなトルクを伝えられる。

薄い金属を波打たせて高い減速比を得る減速機。ガタが少なく精密。産業用ロボットの関節に多い。

サイクロ減速機は、内歯車と外歯車の噛み合いを利用して大きな減速比を得る高精度な減速機です。

ROSはロボットの部品（センサーやモーターなど）を動かすためのソフトウェアの「台所」のようなもので、ロボット開発者が共通の道具を使って効率よくプログラムを組み立てられるようにする仕組みです。

ロボットが地図を作りながら自分の位置を同時に推定する技術。

試行錯誤を通じて報酬を最大化するように学習する機械学習の一種。

模倣学習は、ロボットやAIが人間の行動を真似て新しいスキルを学ぶ方法です。

シミュレーション環境の見た目や物理をランダムに変えて、ロボットが現実でも使える汎用的な知能を学ぶ手法。