ニュース
現場で動くAIロボットの今を示す――AWSが「フィジカルAI開発支援プログラム」成果発表会を開催
2026年9月2日 06:00
アマゾン ウェブ サービス ジャパン合同会社（以下、AWSジャパン）は、2026年1月から「フィジカルAI開発支援プログラム by AWSジャパン」を実施している。その成果発表会が8月31日に、AWSジャパンのオフィスで開催された。
13プロジェクト（14社）が登壇し、産業用ロボットの高度化、自律移動、マニピュレーション、ヒューマノイド、ロボット基盤モデルの開発など、幅広い領域における約6カ月間の取り組みとその成果を発表した。
また会場ではその中から、株式会社Highlandersのヒューマノイドロボット「N」、四足型ロボット「HLQ PRO」と、株式会社ZEALSのヒューマノイドロボット「D1」が実機展示され、動作をデモした。
フィジカルAIに「スピード」「現場の力」「クラウド」の3要素が不可欠
オープニングには、AWSジャパンの代表執行役員社長の白幡晶彦氏が登壇した。
AWSはAIに注力し、2023年から「LLM開発支援プログラム」や「生成AI実用化推進プログラム」など、開発企業の推進プログラムを立ち上げてきた。そして2026年1月に開始されたのが「フィジカルAI開発支援プログラム」だ。51社が採択されている。
支援内容は、「フィジカルAI領域スペシャリストによる技術支援」「コスト最適化支援」「ロボティクス・生成AIコミュニティ形成」「Go-To-Market支援」の4つが柱となる。
フィジカルAIについて白幡氏は「ロボティクスとAIの融合による技術革新」として、ロボットなどがカメラやセンサーで周囲を認識し、また人の言葉による指示を理解して、自ら判断するものだと説明した。その中心になるのが、VLA（Vision-Language-Action）モデルやWAM（World Action Model：世界モデル）といったロボット基盤モデルだ。
白幡氏は「日本にはロボティクスで世界を長年リードしてきた強みがある」として、ハードウェアの設計や精密制御、製造技術などで数十年の蓄積があると指摘。「この強みに生成AIを掛け合わせることが日本にとって大きな機会になると確信している」と語った。
またこのプログラムを通して、仮説と実験による改善のループを高速に回す「スピード」、テクノロジーだけではなく蓄積された現場の知見やデータと組み合わせる「現場の力」、モデル学習や大規模データを扱うための「クラウド」の3要素が不可欠だと実感したと白幡氏は語った。
株式会社アトム：ヒューマノイドの歩行や荷物の仕分けを検証
ここから各プロジェクトの成果発表の内容を紹介する（登壇は五十音順）。
株式会社アトムは、ヒューマノイドAIロボットを開発する企業だ。ヒューマノイド機体開発・生産から、基盤AIモデル、データ収集拠点の整備まで扱うという。
支援プログラムで検証したことは3点。
「ヒューマノイド歩行／全身制御のフィージビリティ検証」では、歩行と全身制御をシミュレーション上で実験し、実機での歩行まで検証した。
「テレオペデータによるVLAモデル学習のフィージビリティ検証」では、荷物の仕分け作業をテーマに、人間の手の動きを収集して自社VLAモデルに学習させ、そのモデルが仕分け作業で一定の精度を達成した。24時間耐久の仕分けデモの様子はYouTubeでも配信したという。
「EgoViewデータによるVLAモデルが学習のフィージビリティ検証」では、人間が作業している視点の映像からの学習を検証。これについては、EgoView単体での学習は難航し、前項のテレオペデータと組み合わせて学習することでその検証をしているとのことだった。
オムロンサイニックエックス株式会社：人の動きの理解や、ロボット自身の動作を説明させるところを検証
オムロンサイニックエックス株式会社は、オムロングループの研究開発会社だ。支援プログラムでは、フィジカルAIにおける、See（見る）・Understand（理解する）・Act（動く）のループの各ステップについて検証した。
まず、SeeとUnderstandにおいては、人が動くシーンの動画をAIが正しく評価できるかどうかを検証した。その結果、時系列の情報は正しく理解できていないことが多分にあることや、AIモデルは自分自身の誤りは見逃しがちのため、複数のモデルで互いに評価する必要があることがわかり、自然言語処理の学会EMNLP 2026で論文が採択されたという。
また、小型のVLM（Vision-Language Model：視覚言語モデル）を使って、それをロボットがすぐに動くモデルにする手法も試しているという。
Actionにおいては、ロボットが動いたときに、それがうまくいったかどうかロボット自身に説明させることを検証している。例えば、おもちゃのトマトをつかもうとして位置がずれていたら、そのことを言語化して反省するということだ。これによって、フィードバックループを回し、より良い動きができるようにしていくという。
株式会社ZEALS：ヒューマノイドの機体、OS、AIモデルをすべて独自開発
株式会社ZEALSは、ヒューマノイド「D1」を開発し、すでに販売している。日本の狭い室内で動かすコンパクトさを実現し、万一、室内で転倒して人を傷つけることがないよう、二足歩行ではなく台車型を採用したという。2026年度に、100台の量産と1万時間の稼働を目指す。
3月に支援プログラムに採択された時点で、ヒューマノイド専用OS「Omakase OS」に特化し、機体は中国製、AIモデルも自社のものではなかった。これを、支援プログラムを経て8月に、機体としては日本で組み立てた「D1」を開発し、AIモデルとしても独自の「Omakase Zen」を開発することで、垂直統合を実現できる体制を整えたことが報告された。
さらに8月28日には、名古屋の重工大須病院でD1を医療現場に投入する実証実験を実施したことを発表している。来院者の案内や、軽量物運搬、お茶の準備、下膳補助、体操進行などで、延べ35時間の稼働を検証した。
株式会社ダイフク・株式会社JDSC：物流のピッキング作業をフィジカルAIで完全自動化・自律化
物流ソリューションの株式会社ダイフクと、AIやDXを扱う株式会社JDSCは、2025年に戦略的パートナーシップを結んで、物流や生産現場の変革に取り組んでいる。
両者がフィジカルAIで目指すのは、物流の完全無人化だ。物流のピッキング作業において、現在でもロボットによる自動化が進んできているが、人の判断や手作業が残っている部分がある。また現在のロボットでは、事前に定義した対象しか扱えないため、品目変更のたびに再設定が必要になる。
そこで、フィジカルAIにより、人が「棚Aの3段目に品を2個補充して！」と言葉で指示すると、AIエージェントがタスクに分解して手順を作り、ロボットが対象を認識して実行することを目指す。
支援プログラムでは、AWS上で、モデル学習からCI/CDによる自動展開までをシームレスに統合し、シミュレーション環境での検証サイクルを高速に実行。その結果、シミュレーション環境において、未知の製品・仕分け先でも97％の成功率を達成。品目変更への追従にも期待できるという。
株式会社竹中工務店：建築タスクのためのシミュレーションとデータ収集を検証
建設業の株式会社竹中工務店は、建設需要は今後も拡大する一方で、技能労働者が不足する課題に対して、フィジカルAIなどで補うことを考えている。
支援プログラムでは、初期検討、環境構築、建設タスク向け検討の3段階で取り組んだ。
初期検討段階では、フィジカルAIについて理解するために、オープンなデータセットとVLAモデルを基に、データパイプラインを使ったファインチューニングによって、与えた指示に対して動作できることを確認した。
環境構築段階では、XRデバイスを使ってデータを収集することで、シミュレーション環境とデータ収集環境を構築した。
建設タスク向け検討段階では、シミュレーション環境で、実際の建設現場を3Dで構築し、VLAのファインチューニングを実施。ロボットに壁塗り作業をさせて、10～15％程度の精度でタスクをこなせることを検証した。
Telexistence株式会社：コンビニ用ロボットで動く小型のWAM（世界モデル）を開発
Telexistence株式会社はロボットを開発する会社で、すでにコンビニにおいて、バックヤードの飲料補充などの実証実験や実導入などを進めている。
今、ロボットの基盤モデルとしてはVLA（Vision-Language-Action）とWAM（World Action Model：世界モデル）の2つの系統が主流となっている。実績はVLAの方があり、Telexistenceでは両方のアプローチを開発している中で、今回の開発支援プログラムではWAMにポテンシャルを感じて検証した。
具体的には、現状のWAMは非常に重くコンビニのロボットで動かすのは困難なため、軽量なWAMを作って実際に動くかどうかを検証した。コンビニのレジ業務のタスクに特化することで、10Bパラメータのモデルを独自開発した。
その結果、VLAモデルのPI0.5（事前学習済み）でタスク成功率80％、PI0.5（事前学習なし）で50％であったのに対し、独自開発のWAMモデルでは成功率86％を達成した。これについて、小規模モデルを使っても、アーキテクチャや使うタスクでチューニングしていくことで成果が出ることがわかった点が面白い結果だったと感想を述べた。
株式会社野村総合研究所：実機データ、シミュレーション、一人称視点の映像からのモデル開発を検証
株式会社野村総合研究所（NRI）ではR&Dとしてロボット開発にも取り組んでおり、2025年にはロボットアームによる土産の無人販売の実証実験なども行った。今回の支援プログラムでは、3つのアプローチを試した。
まずは「実機ロボットでのモデル開発」。VLAモデルを訓練して棚からペットボトルを取ることに成功した。続いて柔らかいものなどを取ることを試しているという。
続いて「real2sim2realでのモデル開発」。写真を基に3D再構成したシミュレーション上で、AIモデルを学習させ、そのモデルで実機ロボットを動かすことに成功した。
最後に、「一人称視点データによるモデル開発」。人の頭や手首にカメラを付けてペットボトルを片付けるタスクをAIに学習させ、ロボットを動かすというものだ。これについては、動きそうなめどがついた段階だと報告した。
株式会社Highlanders：ヒューマノイド＆四足型ロボットのためのWAM（世界モデル）開発のパイプラインを構築
株式会社Highlandersは東京大学発の学生ベンチャーで、ロボットのハードウェアからソフトウェア、AI基盤モデルの開発まで自社で行い、量産を目指している。現在、災害現場の調査など危険な現場を想定した四足型ロボット「HLQ PRO」と、人型のヒューマノイドロボット「N」を開発している。三菱自動車工業株式会社ともヒューマノイドロボットの開発と量産化に向けて協業しており、2026年4月ごろに量産出荷できるめどが立っているという。
同社が開発しているロボット向けAIモデルが、10BパラメータのWAM「Kepler」だ。その開発で遭遇したフィジカルAI共通の課題として、データが足りない点がある。物理データに基づくさまざまなセンサーデータが必要で、しかもばらつきの少ない精度の高いデータが必要になる。
そこで今回の支援プログラムでは、Keplerの開発を支えるフィジカルAIパイプラインを構築した。ロボットを量産して世界中に展開し、そこから生まれるばらつきの少ないデータを大量に取得し、世界一のフィジカルAIデータパイプラインを作りたい、と語られた。
FastLabel株式会社：フィジカルAIの学習用の限られたデータを拡張して精度向上を検証
FastLabel株式会社は、高品質なAI学習用データに関するコンサルティングやプロダクトを提供する会社だ。
AIではスケーリング則が言われるように、データ量が重要だ。ただし、フィジカルAIのための実機データの収集量は、スケールさせるのが難しい。
そこで支援プログラムでは、フィジカルAIが学習するためのシミュレーションデータについて、データ拡張のデータパイプラインを構築した。
元になるのはテレオペレーションによる軌道データだ。この90エピソードのデータを基に拡張し、約100倍の約1万エピソードを取得した。さらに、
ロボットが未知の状況下にも対応できるよう、背景の色や照明条件をランダム化することで色空間の多様性を持たせるドメインランダム化を実行。これを元データと合わせた混合データセットを作成した。
このシミュレーションデータの有効性の検証としては、リアルデータのみのデータセットと、混合データセットのそれぞれをAWS上で学習。その結果、混合データではロボットのサブタスクの達成率が向上したほか、未知環境での汎化性能も向上したことがわかった。これにより、低費用で高精度なモデルが構築できたと結論づけた。
株式会社豆蔵：板金整列の知能化と全身制御を検証
株式会社豆蔵はITコンサルティングの会社だが、13年ほどロボット開発事業もしているという。今回の支援プログラムでも、これまで開発してきた板金整列アプリにおいて、これまで対応できていなかった「上半身制御のVLAによる知能化」と「下半身制御の独自ポリシー構築」に取り組んだ。
「上半身制御のVLAによる知能化」では、産業用ロボットによる板金部品の整列のテレオペデータを収集した。ばら積みピッキングはVLAでは成功率が低いため、ルールベースピッキングとのハイブリッド構成としたという。
また「下半身制御の独自ポリシー構築」では、シミュレーション環境で深層強化学習を行い、実機でしゃがむ動作を実現した。
課題としては、学習環境と推論環境の同一制約や、暴走に備えたガードレール、VLAとルールベースのハイブリッド構成の必要性などが語られた。
株式会社MW：「Living Home（生きた家）」を目指す天井設置の家事ロボット「MW bot」
住宅メーカーの株式会社MWは、「Living Home（生きた家）」をコンセプトに、住宅フィジカルAIに取り組んでいる。
これまでのセンサーや音声AI、アプリなどによるスマートホームに加え、「MW Robot（MW bot）」による自動化で家事からの解放を考えている。
このMW botは、天井からつるされたガントリー型ロボットで、そこから手が伸びる形だ。これは日本の狭い住宅空間で、天井というデッドスペースを生かすとともに、人にぶつからない安全性を狙ったものだという。
支援プログラムでは、このAI基盤モデルを、自社で開発している。そのために、五反田のビル内にデータ収集施設を作り、年間5万時間の家事データの収集を開始した。最終的に2.5PBのデータを収集予定。
データ保存と学習にはAWSを利用。約50機から収集されるデータをS3に格納して、そこから学習し、生成されたモデルをMW botで検証してフィードバックするサイクルを構築している。
株式会社メルカリ：商品の検品を、箱を開けて撮影するロボットで自動化
株式会社メルカリでは、出品された商品を海外から購入できる越境取引が加速しているという。その商品を海外へ輸出するには、出荷する全商品の検品が必要となり、現在はメルカリの倉庫において人力で行っているが、これを順次ロボットに置き換えていきたいというのが課題だ。
今回の支援プログラムでは、そのための商品写真の撮影にフォーカスして、フィジカルAI化に取り組んだ。その中で既存のVLAの限界として、視覚偏重で商品を傷つけないような力加減が不足していること、学習した視点と異なる視点への対応が難しいこと、データ収集の効率が悪いことがあった。
この課題を解決するために、双腕ロボット向けのVLAモデルを開発した。今回は靴の検品にフォーカスして、箱を開けて靴を取り出して写真を撮るタスクを実現するようにした。視覚偏重の問題に対しては、視覚と同時に力覚や触覚などの新しいモダリティを追加。その力覚や触覚のデータはUMI（Universal Manipulation Interface）デバイスに入れることで、データ収集を簡易化した。視点の問題については、AIによって任意視点の画像を合成して学習させた。
今後の目標としては、2028年には自社倉庫の20％を自動化することで生産性を向上させ、社内コストを最大で年2億円削減することを目指す。
株式会社リコー：異なる機体で利用可能な共同共通行動表現（LAM）のモデルを開発
株式会社リコーでは、AXビジョンとして、現場ドキュメントのAI化から、そのドキュメントを基にした定型業務と非定型業務のAIエージェント化を経て、フィジカル現場へのAIエージェント実装（ヒューマノイド）を目指している。
このフィジカルAIのモデル開発で問題になるのが、例えば、ロボット行動データの不足だ。特に、適材適所に合わせたエンボディメント（機体）を用意するときに、エンボディメントごとにデータを収集してモデルを用意するというのは現実的ではない。
そこで今回の支援プログラムでは、複数のエンボディメントで収集したデータから「異なる物理条件下でも再利用可能な行動表現」のLAM（Latent Action Model：共通行動表現）を学習して、そのモデルを複数のエンボディメントで利用可能にすることに取り組んだ。
評価結果としては、自社製品のピックアンドプレースを題材に、シミュレーション環境と実機環境で検証し、LAMありの方がすべての項目で高い精度となった。それによって、同じ精度を達成するためのモデルサイズが小さくなり、3分の1程度のモデルでも同等水準の精度が達成できることがわかった。
