製造業のフィジカルAI活用｜向く工程と導入手順を整理

製造業でフィジカルAIを活用するとき、最初に選ぶのはロボットの形ではなく作業です。対象物や配置が変わり、従来の固定手順では教示や調整の負担が大きい作業が候補になります。

一方、位置も手順も一定で、既存のセンサーと制御で安定している工程までAIへ置き換える必要はありません。変化へ対応する価値と、失敗時の影響を比べて対象を選びます。

この記事では、製造業におけるフィジカルAIの候補工程、向き不向き、必要なデータ、PoCから本番運用までの進め方を整理します。

執筆: bestat 編集部

製造業でのフィジカルAIの役割

フィジカルAIは、カメラや力覚などで周囲を認識し、状況に応じて動作を選び、機械を動かします。製造業では、ばらつきがある対象物の扱い、変化する経路の移動、複数条件を見ながら行う検査などが候補です。

経済産業省は、フィジカルAIに向けた基盤モデルについて、画像、動画、センサーデータなどの多様な現場データを扱う必要性を示しています（事業開始の発表）。製造現場では、一般画像だけでなく、設備固有の形状、部品の姿勢、接触力、停止、手直しなどが判断材料になります。

従来型の自動化との違いは、設備の外見ではありません。決められた位置へ同じ動作を繰り返す制御は、安定した工程で高い再現性を出せます。フィジカルAIは、対象の位置や状態を認識し、その結果に応じて動作を変える部分へ使います。

候補になる工程

候補工程は、AIで置き換えられるかではなく、変化へ対応する価値があるかで見ます。以下は検討例であり、どの工程でも導入できるという意味ではありません。

搬送と移動

搬送先や経路が変わり、人や台車を避ける必要がある作業では、周囲を認識して経路を更新する機能が役立ちます。固定レールで十分な区間にまで自由移動を持ち込むと、評価範囲と安全設計が増えます。

確認するのは、通路幅、床の段差、交差点、通信が弱い場所、人との分離、停止後の退避方法です。荷物の重さや重心が変わる場合は、移動だけでなく積載状態も評価します。

ピッキングと供給

部品が箱内で重なり、位置と姿勢が毎回変わる作業は、視覚認識と動作計画を組み合わせる候補です。部品を整列させる供給装置で安定するなら、そちらが簡潔な場合もあります。

対象ごとに、見つけられるか、つかめる位置を決められるか、接触して持ち上げられるか、所定位置へ置けるかを分けて測ります。透明、光沢、柔らかさ、絡まりは難しさを上げます。

外観確認と検査補助

カメラで外観を確認し、必要な箇所へセンサーを近づける作業では、認識と機械動作を接続できます。ただし、欠陥の判定基準と見逃しの影響を先に決めます。

AIの判定だけで最終合否を決めるか、人へ候補を提示するかで、安全性と品質保証の設計が変わります。初期段階では、人が判断する前の絞り込みや、再撮影位置の調整から始める方法があります。

設備操作と作業支援

ハンドル、レバー、工具、扉などを扱う作業では、対象認識に加えて接触力と機械状態が重要です。人が作業することを前提に設計された設備は、操作位置や必要な力がばらつく場合があります。

操作前後の設備状態を確認できなければ、動作を終えただけでは成功と判定できません。表示灯、機械ログ、位置、力覚など、完了状態を確かめる信号を決めます。

最初の工程を選ぶ

内閣官房のAIロボティクス戦略が示す環境の安定性、タスクの複雑性、失敗の許容性を使うと、候補を比較できます。

候補を一つの点数だけで決めると、重大な制約が平均化されます。人身や設備損傷につながる条件は、ほかの点が高くても別に扱います。価値、実現性、安全の三つをそれぞれ満たす工程から始めます。

効果の基準は導入前に測ります。人の作業時間だけでなく、教示変更、段取り替え、停止、手直し、仕掛品、復旧など、AI導入で変わる可能性がある項目を選びます。

必要なデータをそろえる

製造業のフィジカルAIには、見た目、機械状態、動作、結果を対応づけたデータが必要です。すべてを集めるのではなく、選んだタスクの判断へ使うものをそろえます。

代表的なデータは次のとおりです。

• カメラ映像、深度、点群などの視覚データ

• 力、トルク、接触、位置、速度などの動作データ

• PLCや設備から得る稼働状態、アラーム、完了信号

• 品種、ロット、材料、治具、工具などの条件

• 成功、失敗、停止、人の介入、手直しなどの結果

• 工場、設備、治具、対象物の3D形状

対応関係が重要です。映像と機械ログの時刻がずれていれば、どの動作がアラームにつながったか分かりません。対象物の品種や治具の版が残っていなければ、条件変化による性能差を調べられません。

現場データには、作業者の映像、製品情報、設備設定などが含まれます。取得範囲、保存期間、利用者、外部提供、削除方法を決めます。クラウドや外部サービスへ送る場合は、データの所在と再利用条件も確認します。

デジタルツインと3Dデータを使う

デジタルツインは、ロボットの配置、可動範囲、周辺設備、対象物を仮想環境へ置き、動作と干渉を事前に確かめるために使えます。危険な失敗や多数の条件を現実だけで試さずに済む点が利点です。

3D形状はその土台ですが、形だけでは実際の動きを再現できません。関節の制約、速度、接触、摩擦、センサー位置、制御周期などを、検証目的に応じて加えます。デジタルツインの考え方はデジタルツインとはで説明しています。

仮想環境には二つの用途があります。

• 動作と安全の確認：到達、干渉、停止距離、経路を試す

• 学習・評価データの生成：位置、照明、外観を変えたセンサーデータを作る

用途が違えば必要な再現精度も異なります。到達と干渉には形状と位置が重要です。視覚認識には外観、照明、センサー特性が効きます。接触作業には摩擦や剛性が必要です。

導入を7段階で進める

工程選定から本番運用までを段階に分け、各段階で続行条件を確認します。

1. 対象工程を分解する：認識、計画、動作、完了確認へ分けます。

2. 現状を測る：成功、停止、介入、手直し、条件変更を記録します。

3. データを整える：センサー、機械ログ、結果を時刻と対象で結びます。

4. 仮想環境で試す：到達、干渉、条件変化、異常時の停止を確認します。

5. 隔離したPoCを行う：速度、対象、時間を制限して実機データを集めます。

6. 限定運用へ進む：人が監視し、すぐ従来手順へ戻せる範囲で使います。

7. 本番で監視する：品種、設備、季節、更新による性能変化を追います。

段階を進める条件と戻る条件を先に決めます。たとえば、異常時に安全停止できない、失敗理由をログから特定できない、人の介入が想定より多い場合は、対象を広げず前段へ戻ります。

PoCで評価すること

PoCでは、動作が成功した映像だけでなく、工程の価値と運用可能性を評価します。

評価項目は次の5群に分けます。

• 性能：対象や条件ごとの成功、誤認識、再試行

• 安全：危険の検知、減速、停止、隔離、再開

• 運用：人の介入、復旧手順、ログ、変更管理

• 設備：通信、計算時間、センサー汚れ、温度、保守

• 事業性：段取り、停止、手直し、教育など、導入前に定めた指標

平均値だけでなく、条件別に見ます。全体では安定していても、特定品種、夜間の照明、表面が反射する部品だけで失敗が集中する場合があります。どの条件まで使えるかを範囲として示します。

本番移行では、モデルの更新、設備変更、新品種の追加後に再評価する項目を決めます。NISTの製造業向け資料も、産業AIでは技術導入に加えて、測定と継続的な管理が必要だと説明しています。詳しくはArtificial Intelligence: Key Consideration and Effective Practicesで確認できます。

よくある質問

製造業では人型ロボットが必要ですか

必要とは限りません。搬送車、ロボットアーム、検査装置、加工設備など、タスクに合う身体を選びます。人向けの設備をそのまま扱う必要がある場合に人型が候補になりますが、目的は形ではなく作業の実行です。

小規模な工場でも検討できますか

規模より、対象作業を限定し、現状と結果を測れるかが重要です。専用設備を大きく作る前に、データ取得や検査補助など、影響を限定できる工程から検証できます。

既存ロボットは置き換える必要がありますか

ありません。既存ロボットの手前に認識を追加し、対象位置を渡す構成や、例外だけ人へ戻す構成もあります。安定している固定動作は残し、変化への対応が必要な部分を特定します。

効果は何で測りますか

工程に応じて、教示変更、段取り、停止、再試行、人の介入、手直し、復旧などから選びます。導入前の同じ項目を測り、AI以外の工程変更も記録して比較します。

まとめ

• 製造業のフィジカルAIは、対象や環境が変わり、認識結果に応じて動作を変える価値がある工程で検討します。

• 固定条件で既存制御が安定する工程は、その仕組みを残す選択肢があります。

• 初期工程は、環境の安定性、タスクの複雑さ、失敗時の影響、データ、代替手段で選びます。

• 映像、機械ログ、動作、作業結果を、時刻と対象で対応づけます。

• PoCでは、成功だけでなく、安全停止、復旧、人の介入、条件別の性能、本番での監視を評価します。

工場や設備を3D化し、データの取得・生成・処理・活用を検討するための3D.Coreサービス紹介資料をダウンロードできます。→ 資料ダウンロード

bestat 編集部について

bestat株式会社は、東京大学 松尾研究室発の産業用3Dデータに特化したAIスタートアップです。製造業・インフラ・土木の現場で、画像・動画・点群・360度動画などから3Dデータを生成・処理・活用する「3D.Core」シリーズを開発・提供しています。

https://bestat-data.com/3dcore

参考文献

• 内閣官房「AIロボティクス戦略」

• 経済産業省「AIロボット・フィジカルAIを見据えたマルチモーダル基盤モデル開発事業を開始します」

• NIST「Artificial Intelligence: Key Consideration and Effective Practices」