AI Research9分で読めます

LGのCLOiDは工場で実演に成功。別の生産ラインで使うには何が必要か?

LGとNVIDIAはCLOiDの開発で、工場データ、合成データによる変化、シミュレーション、機体上の推論をつないだ。別ラインでも使える工程を見極める。

K
Ken Jo

ロボットは部品を一つのトレーから別のトレーへ移す動作を学べる。次のラインで、縁の高いトレーを使い、照明が異なり、サイクルタイムも短かったらどうなるか。離れて見ると動きは似ている。近くで見ると、ロボットは部品を見つけ、容器に触れずに手を伸ばし、次の工程に間に合う精度で置く必要がある。

LG ElectronicsとNVIDIAは、実際の製造環境でCLOiDが物体操作と製造作業を行った実演を報告した。NVIDIAは韓国時間の2026年11月9日、AI Day Seoulでこの取り組みを紹介した。公表された流れでは、実世界のデータ、データ拡張用のNVIDIA Cosmos、学習用のIsaac GR00T、評価用のシミュレーション、機体側の計算用のJetson AGX Thorを使った。両社は、繰り返せる開発・検証工程の構築を説明した。NVIDIA Koreaのイベント報告 · NVIDIAによるLGとの協業の報告

データから学ぶロボットについて、具体的な問いが立つ。設備が変わっても、工程のどの部分を再利用できるか。二本目のラインへの移行を試せば、最初の設備での一度の成功より多くのことが分かる。データ、シミュレーション、制御に置いた前提が、別の物理環境でも成り立つかを見られる。

実際に実演された作業を出発点にする

LGはCES 2026でCLOiDを家庭用ロボットとして紹介した。1月の発表では、機器がつながる家庭での家事などを示した。11月の報告は、同じ名前のロボットを使った産業開発プロジェクトを扱う。公開資料は二つの用途を示している。工場の試験には、その現場の部品、日程、工程上の制約、安全要件があり、評価の根拠には製造現場での取り組みが必要だ。LGによるCES 2026のCLOiD紹介 · NVIDIAによるLGとの協業の報告

11月の発表で確認できるのは、協業の一環として、ロボットが製造環境で物体操作と製造作業を行ったことだ。繰り返し回数、サイクルごとの時間の分布、操作担当者による介入の測定値は公表していない。実演の成果をどこまで一般化できるか判断するなら、この三点は確認事項として残る。再現できる研究工程には、現場が通常シフトで求める信頼性に達する前から価値がある。

以下は仮定の例だ。ある工場が、ロボットに通い箱から部品を取り出し、後工程用の治具に置いてほしいとする。正しい部品が正しい向きで所定の位置に収まり、通常の工程時間内で次のサイクルに進めることを成功と定義する。数回に一度、人が配置を直すなら、つかめただけでは成功と言えない。

別の例では、空のキャリアを仮置き場から移す。物は大きくても、配置の許容誤差は大きいかもしれない。取っ手の位置が一定で置き先がはっきりしていれば、最初の移行には向いている可能性がある。作業ごとに、残る変動の所在を調べる。カメラの見え方、ロボットの可動範囲、治具、下流設備の状態などが考えられる。

学習の一サイクルには、問題を見つける箇所がいくつもある

NVIDIAの協業発表は五つの工程をつないでいる。実環境の観察を集め、Cosmosでデータを拡張し、GR00Tでモデルを学習させ、シミュレーションで評価し、Jetson AGX Thorで機体側の計算を行う。GR00Tの開発者資料では、実演データを使った方策の学習や、実機導入前にシミュレーションで評価する一般的な手順を詳しく説明している。これは参照プラットフォームの資料であり、LGが実演で用いた正確なモデルの版や評価手順は分からない。NVIDIAの協業発表 · NVIDIAのGR00T開発手順

工場データに合成した変化を加え、ロボットの方策を学習し、シミュレーションを経て管理された実機試験を行う

実際の事例、シミュレーション、実機試験では、学習工程の異なる問いに答えられる。Telli.sh作成。

まず集めた事例を見る。人が部品を扱う実演から、安全につかめる箇所、向きの変化、配置完了の時点が分かる。中央にあって照明のよい部品だけのデータでは、難しいケースの手がかりが少ない。実演に含まれるトレー、視点、部品の種類を記録しておけば、評価で異なる条件を選べる。

データ拡張なら、すべての場面を操作担当者が再現せずに、管理された変化を加えられる。トレー移動の仮定では、シミュレーションで背景や、対応するトレーの位置を変えられる。固定された見え方に頼るモデルを見つけるのに役立つ。視覚の変化だけでは、グリッパーが摩擦、重量、寸法の違いに対応できるか分からない。問いに合う物理モデルと、現場での確認が必要だ。

学習済みのロボット方策は、観察と作業の目的から動作を決める。細かい違いを手書きのルールで列挙する手間を、学習で減らせる場合がある。モデルの周りには適切な設備も必要だ。治具は物理的に置けるかを決め、センサーは物と設備の情報を伝え、ラインの制御は次の工程を始めるか決める。学習した動きが滑らかでも、これらの役割は重要だ。

別ラインでは、カメラの見え方以外も変わる

シミュレーションでは、工場で準備に時間がかかる条件の組み合わせを試せる。設備の条件を具体的にモデル化し、各評価ケースの理由を説明できるようにする。結果が、箱のずれ、部品の一部が隠れた状態、設備信号の遅れのどれから出たか分かると対処しやすい。一つの集計結果では、現場で毎日起こる失敗が見えないことがある。NVIDIAのIsaac Sim資料は、物理に基づく場面の構築や、ロボット、センサー、環境のモデルを組み込むツールを説明している。NVIDIA Isaac Simの資料

二本目のラインでは治具のそばにガイドレールがあるとする。進入方向が変われば、以前の動きは障害物に近づきすぎるかもしれない。カメラは正しく部品を認識できるので、画像分類だけでは見つからない。移行試験では、変わった作業空間での動きも対象にする。管理された実機試験の前に、シミュレーションで確認すべき条件を絞り込める。

逆に、治具は同じで二本目のラインの包装が反射しやすいとする。シミュレーションでは成功しても、実センサーが飽和したり、光沢で輪郭が隠れたりすることがある。学習に使っていない少数の実物を残す。新しい方策が作業を学んだか、学習環境の細部に適応しただけかを見分けやすくなる。

ライン間の変更管理した条件での比較実機で確認すること
トレーの形状や高さ新しい形状と進入経路をシミュレーション承認済みの条件でのクリアランスと安定した把持
照明や包装の仕上げ記録済みまたは模擬のカメラ条件を変える実際の設備での認識と配置
シフトのタイミングや処理量予定した時間制約で作業を再生完了したサイクルと所要時間の分布
部品の欠落やずれ検出、安全停止、引き継ぎを試す操作担当者に正しい状態が伝わり、復旧できること

基準の設備と二本目のラインを、学習から除外した条件、移行試験、操作担当者の確認で比較する

設備の条件を一つずつ変えると、移行の失敗をチームが調べられる箇所に結び付けやすい。Telli.sh作成。

介入回数と復旧時間も数える

機体上で計算することで、一部の推論をロボット側で行える。NVIDIAによると、公表されたLGの工程にはJetson AGX Thorが入っていた。機体側の実行環境も評価に含まれる。使える計算資源、カメラのフレームレート、設備信号の到着時点が変わると、どう動くかを考える。一度の実演が滑らかでも、繰り返し試験の中で時間がかかる側の分布を測れていないことがある。NVIDIAの協業発表

配置が完了した回、誤った回、介入、所要時間を、試行総数や計測時間とともに報告すると比較しやすい。操作担当者が箱を少し押して完了したなら、その介入を記録する。部品が許可された位置から外れたために正しく停止したなら、停止と通常状態へ戻した手順を記録する。失敗を想定したケースでは、正しい停止が期待結果になる。

仮定のラインで違いを示せる。一つの構成は20回中18回で介入なしに正しく配置し、難しい二回では止まる。別の構成は20回すべて完了しても、五回のリセットや手直しが要るかもしれない。どちらもCLOiD実演の結果ではない。導入を決めるには、最終結果と、そこまでに必要な手間の両方を見るという例だ。

時間にも同じことが言える。中央値が設備の時間枠内でも、たまに長いサイクルが出れば次の工程を止めるかもしれない。通常時と、復旧可能な中断の後とで、完了までの時間を比べる。人が介入した後に、ラインが待機状態へ戻るまでの時間も見る。工場が対応できる変動の範囲に合った作業を選ぶ材料になる。

二つ目の設備で、再利用できるという主張を測る

  1. 範囲を限定した作業を一つ決め、承認されている実施条件を記録する。部品、治具、期待する最終状態、工程時間、人への引き継ぎ方法を含める。運用と安全の担当者と、成功・停止の基準を決める。
  2. 最初の設備で基準となる事例を集め、ラベルを付ける。一部は評価用として分ける。学習に入れた変化と、テストに残す変化を記録する。
  3. 設備の既知の制約を使って、変更をシミュレーションで評価する。二つ目の設備を反映するケースを選び、それぞれの理由を残す。シミュレーションで確実に表せない条件も記録する。
  4. 二つ目の設備で、監督と承認のある試験を繰り返す。同程度のバッチで正確さ、介入、復旧、時間を比較する。調整の効果を分けるため、変更前の方策でも限られた試行を行う。
  5. そのまま使えたもの、現地データが必要だったもの、治具や工程を変えたものを記録する。三つ目の設備への手引きになり、最初の移行で省けた作業を見積もれる。

効率のよい試験には、仕事に合った比較対象も必要だ。固定治具と従来の自動化で反復作業を安定して処理できているなら、それと比較する。対応する部品の種類が複数ある設備では、学習方策の価値が大きいかもしれない。工程を変えるたびに費用が再発することがあるので、データ収集、再試験、運用の維持にかかる時間も比べる。

保守費用を知る方法として、承認済みの小さな工程変更を試験の最後に残す。新しいトレーの仕入れ先や、同じ部品の色違いのロットでも足りるかもしれない。低下に誰が気づくか、調査に使える記録は何か、通常運転に戻せると判断する試験は何かを尋ねる。開発チームが離れた後も、二本目のラインで運用を引き継ぐ人が明確になる。

報告されたCLOiDの製造事例は、ロボットの開発で実データ、学習、シミュレーション、機体上の実行をどうつなげるかを示した。二本目のラインで試せば、次の主張も評価しやすくなる。仕事が変わったときに、工程のどの部分が結果の再現に役立つかを具体的に示せる。

出典


設備試験のメモと判断をまとめて残すには、Telli.shアカウントを作成。


← ブログに戻る