ロボット制御AI、周波数変換で動作の滑らかさ改善

香港中文大学や北京航空航天大学などの共同研究チームは、ロボット操作向けAI制御の新手法「周波数対応フローマッチング（FAFM）」を発表した。追加のネットワークパラメータを必要とせず、既存のフローマッチング型ポリシーや視覚言語行動モデルに組み込める点が特徴である。

既存のロボット制御AIは「アクションチャンク」と呼ばれる離散的な動作単位を出力する設計が主流であった。この方式は、異なる制御周波数で収集されたデモンストレーションデータが混在する環境では精度が低下するほか、時系列的に一貫性を欠く動作を生成しやすく、制御の安定性を損なうという課題を抱えていた。

FAFMはこの課題に対し、離散コサイン変換（DCT）を活用して動作シーケンスを周波数領域に変換し、その係数に対してフローマッチングを実施する。さらに動作の時間一階微分を正則化することで、急激な動作変化を抑制するソボレフ型の制約を課す仕組みを採用した。これにより、連続的かつ滑らかな動作出力を実現する。

ベンチマーク評価では、障害物回避タスク、外科手術訓練シミュレータ「LapGym」、ロボット学習標準環境「LIBERO」のいずれにおいても成功率が向上した。実機検証では独フランカ社のロボットアームを用い、現実環境での有効性も確認している。機械的なバイアスや複数周波数が混在するデータに対する頑健性も改善されたとしている。

ビジネスへの影響として最も直接的なのは、自動車・電機・精密機器の製造業における組立・溶接・検査工程への応用である。製造現場では設備ごとに制御周波数が異なるケースが多く、これまでは工程ごとに個別のAIモデルを用意する必要があった。FAFMはこの制約を緩和することで、生産エンジニアリング部門がモデル開発・調整に費やす工数を削減できる可能性がある。KPI面では、ロボット導入時の調整期間短縮（立ち上げリードタイム）や、動作の不安定さに起因する製品不良率の低減が主な改善指標となる。

物流・倉庫業においても商機は大きい。ピッキング作業を担うロボットは多品種対応が求められるため、異なるデモデータから汎用的な動作モデルを学習する能力が重要となる。FAFMの周波数非依存設計は、単一モデルで複数品目・複数速度への対応を可能にし、倉庫運営コストの低減やスループット向上に寄与し得る。

医療ロボット分野では、手術支援ロボットの動作精度向上に応用が期待される。LapGymでの評価結果はその適性を示唆しており、微細な動作の連続性が求められる低侵襲手術領域での活用が見込まれる。医療機器メーカーや病院の手術室運営部門にとっては、術中の動作ぶれ低減による安全指標改善が関心事となる。

一方、FAFMの産業実装には課題も残る。周波数領域への変換処理が推論遅延に与える影響の定量的な評価は、リアルタイム制御が求められる用途では慎重な検証が必要となる。また、本研究はフランカアームを用いた実証にとどまっており、多関節の産業用ロボットや移動ロボットへの展開可能性については追加検証が求められる。

研究チームはコードを公開しており、企業の研究開発部門やシステムインテグレーターが自社環境での検証を比較的容易に開始できる状況にある。ロボティクス投資を加速する製造・物流各社にとって、早期の技術評価が競争優位の確保につながる局面といえる。