AI×製造2026年10月9日読了約5分

ロボットへの指示文を自動で言い換え成功率向上

保存

視覚言語行動モデルは指示の一語の違いで成功率が大きく変わる。米研究者らは方策を改変せず、指示を事前に言い換える規則で未知タスクの成功率を高める手法を示した。

研究の概要

カメラ画像と言葉の指示からロボットの動作を生成する視覚言語行動モデル（VLA）は、指示の言い回しに極めて敏感であることが、Mikey Watts氏とYuchen Cui氏の研究で示された。元になった視覚言語モデルが持つ言語への頑健性を、VLAは引き継いでいないという。

論文によれば、π0.5というモデルはシミュレーション環境LIBEROで「switch on the stove」と指示すると成功率が100%であった。ところが「switch on the hot plate」では2%にまで落ちる。言い換えによる拡張学習を施したπ0の調整済みモデルでも、最大61ポイントの振れが残った。

研究チームは、一語の編集による成功率の変動を統計的に検定し、最良の言い回しを探す「オラクル探索」も実施した。その結果、言い回しを選ぶだけで、学習時に見たタスクと見ていないタスクとの間にある21ポイントの差がほぼ埋まると確認した。

そのうえで、方策には手を加えずに感度を下げる方法を提案した。凍結したπ0では、保持した12タスクで16〜27%の相対改善を得ている。敵対的、VLM生成、人手生成の3種類の言い回しのいずれでも効果があり、改善は未知のタスクに集中した。π0.5とLIBEROでも再現し、学習範囲内の成功率は93.6%から97.8%に上がった。

しくみをやさしく

手法の核心は、言い回しへの敏感さに「系統性」がある点にある。気まぐれな揺らぎであれば対処しにくいが、特定の語や構文が一貫して失敗を招くなら、規則として書き下せる。

手順は三段階である。第一に、少数の学習タスクについて多数の言い回しを用意し、それぞれの成功率を測る。第二に、その結果を大規模言語モデル（LLM）に渡し、どの表現が効き、どれが効かないかの証拠を要約させ、10〜20個の「言い換え規則」に蒸留する。第三に、運用時には入力された指示を、この規則に従ってLLMが一度だけ書き換え、書き換え後の文をロボットに渡す。

たとえば「hot plate」と言われたら、ロボットが学習で慣れている「stove」に寄せる、といった方向の書き換えが想定される。ロボット本体は再学習せず、動作ごとの検証も行わない。規則は特定タスクの暗記ではなく一般的な傾向として抽出されるため、未知のタスクや指示にもゼロショットで適用できるという。

ビジネスへの示唆

日常的に起こる具体的な場面を考えたい。製造現場で、ピッキングロボットに「その箱を右の棚へ」と伝える担当者と、「ケースを右ラックに移して」と伝える担当者がいる。言い回しが違うだけで動作が失敗するなら、現場は特定の言い方を覚える負担を強いられる。

影響を受けやすい部署と指標は次のとおりである。

製造・物流の現場運用部門：作業成功率、再試行回数、ライン停止時間
設備保全・生産技術部門：ロボット立ち上げ時の調整工数、レシピ変更の手間
倉庫・小売の運営部門：新人の習熟期間、指示ミスに起因する手戻り

読者に問いたいのは、自部署で人の言葉をロボットや自動化システムに渡している業務は何か、その指示文を誰が、どれだけ手間をかけて整えているか、という点である。指示文の整備が属人化しているなら、本手法の対象となり得る。

なお本研究はシミュレーション中心の評価であり、実機の工場環境での効果は別途確認が要る。

現場での導入イメージ

仮に導入支援に入るなら、次の流れを提案する。

棚卸し：ロボットや自動化装置に自然言語で指示している業務を洗い出し、失敗や再試行が多い指示、言い方で結果が変わる指示を記録する。目指す到達点は、どの業務で言い回しがボトルネックかを現場の共通認識にすることである。
差し込み先の設計：既存のロボット制御系の前段に「指示の書き換え層」を一つ置く。方策の再学習は不要で、新しい大型ツールを増やさずに済む。目指す到達点は、現行設備を変えず入口だけで改善できる構成である。
小さく試す：一部署・数週間で、代表的な作業を対象に数種類の言い回しを試す。成功率の安定度を担当者の実感で確かめる。目指す到達点は、規則の効果と限界を現場の言葉で説明できる状態である。
運用と横展開：有効だった規則を管理し、設備更新や新タスク追加の際に見直す基準を整えて他部署へ広げる。目指す到達点は、規則の更新が日常業務に組み込まれた運用である。

全体として目指すのは、誰がどんな言い方で指示しても、ロボットが安定して意図どおりに動く職場である。費用は、再学習に比べ小さく・安く始められる可能性がある。