Skild AI、NVIDIA Physical AIを活用し単一ビデオからロボットにタスク学習、成功率を7倍以上に向上

NVIDIA アメリカ
概要
Skild AIは、NVIDIAのPhysical AI技術を活用し、単一のビデオデモンストレーションからロボットに新しいタスクを学習させる「S1ロボット基盤モデル」を発表しました。このモデルは、重みの更新やタスク固有の事後学習なしにタスクを理解・実行できる「in-context learning」手法を採用しています。実機デモンストレーションから自律実行までわずか11分で移行し、新しい多段階タスクでの成功率が従来のAIシステムと比較して7倍以上の改善を達成しました。これにより、ロボットの迅速なタスク習得と汎用性が大幅に向上します。
詳細

主要成果

Skild AIがNVIDIAのPhysical AI技術を統合し、単一のビデオデモンストレーションからロボットに新しいタスクを学習させる革新的な「S1ロボット基盤モデル」を発表しました。このモデルは、従来のAIシステムと比較して新しい多段階タスクにおける成功率を7倍以上に向上させ、実機でのデモンストレーションから自律実行までわずか11分で移行できる能力を示しました。

技術・臨床詳細

  • S1ロボット基盤モデル: Skild AIが開発したこのモデルは、NVIDIAのPhysical AI技術を基盤としており、特に単一のビデオ入力から複雑な多段階タスクをロボットに学習させることに特化しています。
  • in-context learning (文脈内学習): この中核技術により、モデルは入力されたビデオデモンストレーションから直接タスクを理解し、実行計画を生成します。従来の機械学習モデルのような、重みの更新やタスク固有の追加学習(ファインチューニング)は不要です。
  • 性能向上: 新しい多段階タスクにおいて、従来のAIシステムと比較して成功率が7倍以上向上したと報告されています。これは、ロボットが未学習の環境やタスクに迅速に適応できることを意味します。
  • 迅速な展開: 研究チームは、実機でのビデオデモンストレーションから、ロボットがそのタスクを自律的に実行するまでの時間をわずか11分に短縮できることを実証しました。この速度は、ロボットの導入と展開における大きなボトルネックを解消します。

背景・業界文脈

従来のロボットは、新しいタスクを学習するために大量のデータ収集、時間のかかるトレーニング、専門的なプログラミングを必要としました。これは、特に多様なタスクや頻繁に変化する環境でのロボット導入を妨げる要因でした。Physical AI、特にin-context learningは、この問題を解決し、ロボットがより人間のように、少ない情報から迅速に学習し適応できる可能性を秘めています。製造業、物流、サービスロボットなど、タスクの柔軟性が求められる分野での需要は非常に高いとされています。

今後の展望

Skild AIのS1モデルは、ロボットの汎用性と導入の容易さを劇的に向上させることで、物理AI分野に新たな標準を確立する可能性があります。この技術により、企業はロボットの再プログラムに費やす時間とコストを大幅に削減し、より迅速に新しい自動化ソリューションを展開できるようになります。将来的に、家庭用ロボットから産業用ロボットまで、あらゆる種類のロボットが単一の視覚入力から複雑な行動を学習し、適応する「学習するロボット」の普及を加速させるでしょう。これは、人間とロボットの協調作業の未来において、柔軟性と効率性を高める重要な一歩となります。

元記事: https://blogs.nvidia.com/blog/skild-ai-s1-physical-ai/

毎週の技術動向レポートを無料でお届け

各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。

📢 メールマガジンに無料登録(週刊・技術動向レポート)

ご登録いただくと、Troy-Technical から週刊で技術動向レポート(メールマガジン)をお届けします。

  • 取得したメールアドレス・選択分野は配信目的にのみ使用します。
  • 第三者へ提供することはありません。
  • 配信はいつでも解除できます(各メール下部のリンクから)。

詳しくはプライバシーポリシーをご覧ください。

登録は1分・いつでも解除できます

この記事は Troy-Technical が公開しています。素材メーカーで技術開発に携わってきた技術者が、個人で運営しているサイトです。
運営者について / お問い合わせ info@troy-technical.jp
よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

この記事を書いた人

目次