Kinova Gen3搭載の家具組立VLA「FurnitureVLA」、シミュレーション成功率80%を達成

何が起きたか

研究チームは2026年7月1日、arxiv.orgにて「FurnitureVLA」を発表した。これは実規模の両腕家具組立をVision-Language-Actionモデル(VLA)で行う初の体系的研究であり、シミュレーションで平均成功率を48%から80%に向上させた。実機のKinova Gen3プラットフォームでも hardest task で成功率の低下は16%に留まった。

詳細

FurnitureVLAは、最大7つのサブタスクと1550制御ステップに及ぶ長期的な組立を扱う。提案手法は、意味的に接地されたサブタスクでファインチューニングされ、行動と連続的な進捗信号を同時に予測することで、自動的なサブタスク遷移を可能にし、推論時の複合誤差を低減する。研究では、実規模組立の精度に影響する知覚と制御の設計要因も調査し、設計要因の研究により追加で21%の改善を得た。データ収集には、単一オペレータによる両腕制御のVRテレオペレーションシステムを構築し、高品質な実世界デモを収集した。

Key Facts

本紙の見方

今回のFurnitureVLAは、ロボットによる家具組立を「玩具規模」や「単腕」から「実規模・両腕」へと引き上げた点で、研究の位相を変える試みと位置づけられる。従来の研究がシミュレーション内の簡略化された環境や単腕のタスクに留まっていたのに対し、本手法は実機のKinova Gen3を用いた実規模の組立を対象とし、長期的なタスクを進捗信号で分割することで誤差蓄積を軽減する。これは、VLAの応用範囲を「操作」から「組み立て」というより複雑なタスクへ拡張する流れの一環であり、特に家庭や工場での実用化を見据えた場合、長期的なタスクの実行可能性を示す重要なステップである。 本紙の過去報道との接続を考えると、これまでに「ロボットの基盤モデル」や「両腕ロボットの協調制御」に関する記事を扱ってきた。例えば、2025年3月の「ロボット基盤モデル、汎用操作へ前進」では、単腕の操作タスクにおけるVLAの汎化性能が報告されていた。また、2025年11月の「両腕ロボット、協調動作の課題」では、両腕の協調が未解決の課題として指摘されていた。FurnitureVLAは、これらの流れを統合するものであり、単腕から両腕へ、そして操作から組立へとタスクの複雑さを増す中で、進捗信号という新たな機構を導入した点が特徴的である。特に、両腕の協調が課題とされた過去の報道に対し、本手法はVRテレオペレーションによるデータ収集と進捗信号の予測によって、両腕の協調を実現している。これは、過去の課題に対する一つの回答とみられる。 業界構造への含意としては、家具組立のような長期的なタスクをロボットが実行できるようになると、物流や製造現場での自動化の範囲が広がる可能性がある。特に、家具業界は労働集約的であり、組立工程の自動化はコスト削減に直結する。しかし、実機での成功率はまだ十分ではなく、特に hardest task での16%の低下は、実環境の複雑さを示している。また、VLAの学習には大量のデータが必要であり、シミュレーションと実機のギャップを埋めるためのデータ収集手法の開発が競争力の鍵となる。競合としては、同様のVLA研究を行う企業や研究機関が存在するが、公開情報では具体的な競合の動向は確認できない。 今後確認すべき点は、第一に、実機での成功率をさらに向上させるための設計要因の詳細な分析である。第二に、FurnitureVLAが他の家具タイプやより複雑なタスクにどの程度汎化するかの検証である。第三に、シミュレーションと実機のギャップを埋めるためのデータ収集の効率化手法の開発である。これらの点が明らかになれば、家具組立に限らず、長期的なタスクを要する他の分野への応用可能性も見えてくるだろう。

なぜ重要か

家具組立のような長期的なタスクをロボットが自律的に実行できることは、製造・物流現場の自動化を大きく前進させる。FurnitureVLAは、VLAの適用範囲を拡張し、実機での有効性を示した点で、今後のロボット応用の方向性を示唆する。