トヨタ系TRI、多作業ロボットモデルの効果を盲検試験で実証　新作業の習得に必要なデータは一部で済む

トヨタが米国に置く研究機関トヨタ リサーチ インスティテュート（TRI）は、ロボット基盤モデルに集まる投資の中心的な前提を査読論文で検証した。2026年4月15日付の米科学誌サイエンス ロボティクスに掲載された論文で、82人の研究者は、TRIが大規模行動モデル（LBM）と呼ぶ多作業型のロボット操作方策が単一作業の方策より成功率と頑健性で上回り、複雑な新作業をごく一部のデータで素早く習得したと報告した。

論文の題名は「多作業の器用な操作に向けた大規模行動モデルの綿密な検証」で、同誌11巻113号に載った。著者の所属はマサチューセッツ州ケンブリッジのTRI、コーネル大、MITで、筆頭著者はJ. Barreiros氏、最終著者はラス テドレイク（Russ Tedrake）氏。研究のプレプリントは2025年7月7日にarXivで初めて公開された。

この研究の特徴はモデルよりも方法論にある。研究チームは、ノイズを段階的に取り除いてロボットの動作を生成する拡散方策（diffusion policy）の手法を、シミュレーションと実機のデータ全体に広げた。そのうえでシミュレーションと実機の両方で、管理された条件のもと盲検の無作為化試験により単一作業モデルと比べ、統計的な信頼度を伴う評価の仕組みを整えたと要旨は説明する。

規模はプレプリント版に記されている。TRIは社内で集めた500超の作業を含む約1700時間のロボット実演データと公開データで複数のモデルを学習させ、実機で1800回の試験を行った。実機の各作業は方策と条件ごとに50回、シミュレーションの各作業は200回実行した。作業は単純な取り置きから、リンゴの芯抜き、朝食トレーの準備、自転車のブレーキローター取り付けといった多段階の作業まで幅広い。

ハードウエアは意図的にありふれたものを選んだ。プレプリントによると、平行グリッパーを付けたフランカのFR3アーム2台からなる双腕の卓上ステーションを計9台使い、方策は10ヘルツで動かした。シミュレーション評価にはTRIがDrakeシミュレーター上に構築したベンチマークlbm_evalを用い、台所を模した4つのシナリオで実施した。

サイエンス ロボティクスの要旨が挙げる主な結論は3つある。多作業の事前学習を経て微調整した方策は単一作業の方策より成功率と頑健性が高かった。複雑な新作業をデータの一部でより早く教えられた。事前学習データの規模と多様性が増すにつれ性能は予測可能な形で向上した。プレプリントで著者らは、シミュレーションでは微調整モデルが同等の性能を出すのに必要なデータはゼロから学習する場合の30%未満で、実機の「朝食の食卓を整える」作業では15%のデータで微調整したモデルが全データで学習した基準モデルをすでに上回ったとしている。

論文は成果の示し方にも規律を求めた。著者らは作業の難度を成功率50%前後に調整し、部分的な達成度を採点基準で評価し、方策間の差が本物かを統計的検定で判定した。絶対的な成功率は作業の難しさの設定に大きく左右されると明記し、企業の実演動画に出てくる成功率を横並びで比べることに注意を促した。

日本の産業にとっての意味は大きい。人手不足が深刻な製造や物流の現場では、多品種の作業を少ない教示で覚えるロボットへの期待が高い。米フィジカル インテリジェンス、スキルドAI、フィギュアAI、グーグル ディープマインド、エヌビディアが汎用ロボットモデルを競い、投資家は幅広い事前学習が報われるという前提で企業価値を評価してきた。TRIの結果はその前提を管理された証拠で裏付けた。トヨタ自身の工場や、TRIと協業するボストンダイナミクスの人型ロボットへの応用も視野に入る。同社は2025年8月、アトラス向けLBMの研究がTRIとの協業だと明らかにしている。

限界は著者自身が示した。プレプリントは、信頼区間が学習過程そのもののばらつきを反映していないこと、実機のノイズで小さな効果を見落とし得ること、現在の視覚言語行動（VLA）モデルの大型基盤ではなくCLIPで事前学習した中規模の言語エンコーダーを使ったことを挙げる。実機試験はすべて平行グリッパーのアームで、多指ハンドやヒューマノイドは含まれない。