何が起きたか
Mimic Roboticsは2026年9月23日、映像表現とロボット動作を組み合わせるモデル「FLUX-mimic」の研究内容を公開した。自動車製造の部品を使う31タスク、55,217エピソード、計295.8時間のデータを用い、Frankaでの軟質部品キッティングでは操作ラベル付きデータ2時間で成功率77.5%、8時間で95%を報告した。
詳細
データのうち、Frankaの器用なハンドとTrossenのグリッパーを遠隔操作して集めたものは、20タスク・40,098デモ・218.9時間で、カメラ映像とロボット動作のラベルを含む。人がウェアラブル機器で集めた映像のみの記録は15,119エピソード・76.8時間で、遠隔操作データにはない11タスクも含む。4つのベンチマークタスクの記録は方策の学習と評価にも使い、残る27タスクを含む記録は映像バックボーンの事前学習に使った。 FLUX-mimicは、ウェブと産業作業のデータで事前学習したFLUX 3の映像バックボーンと、ロボット動作を出力するアクションエキスパートを組み合わせる。タスク説明、過去の映像、過去のロボット状態を入力し、映像と動作を同時に予測する損失で学習する。動作推定時はバックボーンのデノイズを1回行い、映像全体を生成せずに動作を予測する。軟質部品キッティングの別評価では、映像予測損失を加えることで成功率が35ポイント上がったと報告した。
Key Facts
| Mimic Roboticsは2026年9月23日、「FLUX-mimic」に関する研究内容を公開した。 | [1] |
| 自動車製造部品を用いたデータは31タスク、55,217エピソード、計295.8時間で構成される。 | [1] |
| Frankaでの軟質部品キッティングでは、操作ラベル付きデータ2時間で成功率77.5%、8時間で95%を報告した。 | [1] |
| 遠隔操作データは20タスク・40,098デモ・218.9時間、映像のみのウェアラブル記録は15,119エピソード・76.8時間だった。 | [1] |
| 映像予測損失を加えた評価では、軟質部品キッティングの成功率が35ポイント上がったと報告した。 | [1] |
本紙の見方
今回の焦点は、ロボットの操作ラベルが付かない映像記録も、操作方策の基盤づくりに使う設計にある。ウェアラブル記録は全55,217エピソードの約27.4%、全295.8時間の約26.0%を占める。これらは動作ラベルなしで映像バックボーンの事前学習に使われ、動作ラベル付きデモは方策学習に使われる。つまり、記録の量だけでなく、映像と動作の情報を学習段階ごとに分けて利用する構成が報告の技術的な軸だ。 Frankaの軟質部品キッティングでは、操作データを2時間から8時間へ4倍にすると成功率が77.5%から95%になった。Mimic Roboticsは、2時間の条件で両ベースラインの全データ使用時の性能を上回ったとも報告している。ただし、これは方策学習用の操作データ量の比較であり、事前学習に要したデータや計算資源を含む総コストの比較ではない。また、映像予測損失による35ポイントの改善は別の評価であり、40回または20回のロールアウトを用いた実験結果を、工場の長時間稼働や量産実績と読み替えることはできない。 BMW Groupは著者所属として記載され、研究では自動車製造の部品を使ったデータが扱われた。一方、BMWの生産ラインへの導入を示す記述はない。本紙が扱ったABB製ロボット1700台超、次世代車生産の記事はBMW Groupの生産とABB製ロボットを扱う別の報道であり、今回の研究の装置や成果と結びつける根拠はない。さらに、Google DeepMind、Gemini Robotics 2.5を発表 自動車部品のピッキングで成功率96％にある概念実証の成功率96%とも、タスク、機体、評価条件が異なるため数値の直接比較はできない。 産業への含意は、動作デモを集めにくい作業で、映像のみの記録を学習に組み込める可能性を示した点に限られる。FrankaとTrossenでは機体ごとに方策を別々に学習しており、異なる機体への技能転用が示されたわけではない。次に確認すべきなのは、ベンチマーク外の部品や工程への適用、実ラインでの継続稼働、失敗時の復旧、安全性、そして映像事前学習を含めたデータ・計算コストである。
なぜ重要か
Mimic Roboticsの評価は、産業操作で収集が難しい動作ラベル付きデモを、カメラ映像のみの記録で補完する学習設計を示している。同社が報告した77.5%と95%はFrankaの軟質部品キッティングにおける実験結果であり、工場の量産工程で同じ性能が得られることを示すものではない。