FastLabelが公開したフィジカルAI開発の最新成果とは

FastLabelが挑むフィジカルAIの未来

近年、AI技術の進化は目覚ましいものがありますが、その中でも特にフィジカルAI、つまり物理世界での問題解決に特化したAIの開発は注目を集めています。FastLabel株式会社は、この分野において革新をもたらす取り組みを進めており、最近、アマゾンウェブサービスジャパン（AWSジャパン）との協力により、AI開発支援プログラムを通じた研究成果を公開しました。

研究開発の背景

フィジカルAIでは、学習に必要なデータ量が性能向上に直結する「スケーリング則」が存在することが、国内外の研究によって明らかになっています。しかし、実機を用いたデータ収集には、運用コストや環境設定など多くの課題が伴い、このためにリアルデータの取得が困難です。これに対する一つの解決策として、仮想空間でのシミュレーションデータの活用が注目されています。

FastLabelは、シミュレーションデータをリアルデータと組み合わせることで、AIモデルの学習効率を高める新たな方法とその実績を明らかにしました。

研究開発の内容

本研究では、実際の操作が可能なロボット、ugo Pro R&Dモデルを用い、NVIDIA Isaac Simを用いたシミュレーション環境を構築しました。以下のステップで進められた取り組みは、非常に体系的でした。

1. 軌道データの作成: まず、実機ロボットと同等の動作を可能にする環境を整え、テレオペレーションによって基本となるデータを生成。
2. 軌道拡張: 様々な条件下での動作データを収集するため、MimicGenを用いて少量のデータを100倍にまで拡張しました。
3. ドメインランダム化: 拡張したデータをさらに多様化し、環境要因におけるバリエーションを増加させました。
4. 混合データセットの構築: 最後にリアルデータとシミュレーションデータを組み合わせたデータセットを作成し、AIモデルの学習を実施しました。

検証結果

最終的な結果として、シミュレーションデータとリアルデータを19:1の比率で混合して学習した際、モデルのタスク成功率が平均で14.2%向上しました。具体的には、リアルデータのみの成功率26.7%に対して、混合データを用いた場合は56.7%に達しました。
また、未知の環境でのロボットの動作精度でも、混合学習によるモデルが優れた汎化能力を示し、データ収集コストの低減も実現しました。