3Dオブジェクト自動可動化モデルが登場

英オックスフォード大学などの共同研究チームは、3Dメッシュに対して部品の説明や関節の接続情報などの「運動学的仕様」を入力するだけで、可動部位の分割と関節パラメータを自動的に予測するAIモデル「Instruct-Particulate」を開発した。論文はarXivにて公開されている。

従来の3D可動化作業は、専門的な3Dアーティストが手作業で各部品の関節構造を定義する必要があり、1体のキャラクターや機械モデルに数十時間を要することも珍しくなかった。同モデルは15万点以上の可動3Dオブジェクトを含む独自データセットで学習しており、既存手法と比較してカテゴリをまたいだ汎化性能が向上している。また、大規模視覚言語モデルと組み合わせることで、任意の3Dメッシュに対してテスト時に自動で運動学的仕様を取得し、人手を介さずに処理を完結させることができる。

ゲーム・エンターテインメント産業への影響は特に大きい。大手ゲームスタジオでは、1タイトルあたり数千体に及ぶキャラクターや小道具のリギング作業が開発コストの相当部分を占めている。同技術を導入すれば、3Dアーティストの作業工数をリギング工程で最大で数分の一に圧縮できる可能性があり、タイトルの開発期間短縮やリリース本数の増加といったKPIへの直接的な貢献が期待される。インディーゲーム開発者にとっては、高品質な可動アセットへのアクセス障壁が下がることで、市場参入の競争環境が変化しうる。

製造業においてはデジタルツイン構築の効率化が見込まれる。工場設備や産業機械の3Dスキャンデータから可動モデルを短時間で生成できれば、設備保全部門がシミュレーション環境を迅速に整備し、予知保全モデルの精度向上や作業者訓練コストの削減に活用できる。設備稼働率や保全コストといったKPIの改善に寄与する用途として、自動車・重工業メーカーの生産技術部門が早期採用候補となり得る。

ロボティクス分野では、把持計画や動作計画のためのシミュレーション環境構築が加速する。現状、ロボットが未知の物体を操作するためには、その物体の可動構造をあらかじめ手動でモデル化する必要があり、これがロボット導入の隘路の一つとなっている。同モデルを活用することで、実環境で撮影した画像から3Dモデルを生成し、そのまま可動構造を推定してシミュレーターに投入するパイプラインが現実的になる。物流倉庫の自動化や医療用ロボットのトレーニングデータ生成における活用が考えられる。

AI生成コンテンツ（AIGC）との親和性も同技術の重要な特徴である。画像から3Dモデルを生成するimage-to-3Dモデルの普及が進む中、生成されたメッシュを即座に可動化できる能力は、コンテンツ制作のワークフロー全体を変える可能性がある。広告・マーケティング部門においても、製品の3D可動モデルを活用したインタラクティブな広告素材の制作コスト削減に応用できる。

一方で、出力される関節パラメータの精度は学習データの質と多様性に依存するため、特定の産業機械や医療機器など専門性の高い領域では追加のファインチューニングが必要になる場合がある。企業が実務導入を検討する際は、自社が扱う3Dアセットの種類と精度要件を事前に評価することが求められる。