了解しました。Pepperロボットの制御に関して、2015年以降の学術論文レベルの研究を対象に、以下の観点に焦点を当てて調査を進めます：

• 動作制御
• 音声認識との連携
• 自律移動

分野や用途は特に限定せず、幅広い研究事例を収集・整理します。しばらくお待ちください。調査がまとまり次第、報告いたします。

Pepperロボットの制御技術動向（2015年以降）

概要： ソフトバンクロボティクス社のPepperは高さ約1.2mの人型ロボットで、身体に合計20自由度（17個の関節）を持ち、三輪の全方向移動台車で移動します (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot) ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC )。主に対話や案内などの社会的ロボットとして設計されており、教育・接客・医療など様々な現場で活用されています (A SLAM-Based Localization and Navigation System for Social Robots: The Pepper Robot Case) (A SLAM-Based Localization and Navigation System for Social Robots: The Pepper Robot Case)。2015年以降、Pepperを研究プラットフォームとして動作制御・音声対話・自律移動の各分野で多くの学術研究が行われました。本稿では、それぞれの技術的動向と代表的な研究事例を、学術論文レベルの詳細さでまとめます。

1. Pepperの動作制御技術

Pepperの動作制御に関する研究では、移動機構の制御や関節モーションの最適化、人と接触するときの力制御などが重点的に扱われています。Pepperは全方向移動が可能な三輪機構を備えますが、標準制御では旋回時に不安定な挙動が報告されていました ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。例えば、円弧を描いて走行するとロボットが進行方向とずれた向きを保ってしまい（図2(a)）、意図しない挙動につながることが確認されています ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。この問題に対し、研究者らは運動学モデルに基づく独自のモーションコントローラを実装し、全方向移動機構を正しく考慮することで、進行方向に機体が向いた安定した旋回動作を実現しました（図2(b)） ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。この改善により、Pepperの移動経路の再現性と精度が向上し、より滑らかな経路追従が可能になったと報告されています ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。

一方、Pepperの腕・手・頭部などの関節動作については、主にソーシャルなジェスチャや人との物理インタラクションを念頭に研究が進められました。Pepperは人に手を振ったりうなずいたりといった所作を行いますが、その動作生成の自然さや安全性を高める試みがなされています。たとえば、Pepperの左手を人が握り、一緒に歩行できるようにする研究では、腕関節のセンサや車輪のエンコーダから人がかける力を推定するオブザーバを設計し、これに基づく力制御アルゴリズムで人に引かれる形でロボットが歩調を合わせることに成功しています (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot) (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot)。具体的には、手を引かれた方向に応じてPepperの移動速度・方向を調整し、人と手をつないで並走できるよう制御しています (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot) (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot)。このシステムではPepperのカメラで周囲の物体を認識し、それに応じて振る舞いを変える仕組みも統合されており、公共空間で人と手をつないだ歩行支援を実現しています (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot) (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot)（なお、この実験では人が進行方向を主導するため、障害物回避機能は搭載していません (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot) (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot)）。しかし重量物を支える用途には限界があり、人がPepperにもたれかかると「膝」に相当する駆動部が過熱停止する問題も報告されています (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot)。このように物理的な相互作用におけるPepperの動作制御は、センサ限界やハードウェアの過負荷といった課題も存在します。

さらに、ユーザがPepperに新しい身振り動作を教えるスキル学習の研究も行われています。従来、Pepperの複雑な動作を調整するには専門知識が必要でしたが、近年の研究では機械学習手法を用いて非専門家でもロボットに新しい動きを習得させる試みがあります。その一例として、**動的モーションプライミティブ(DMP)**をユーザのフィードバックで最適化する手法が提案されています (Frontiers | A User Study on Robot Skill Learning Without a Cost Function: Optimization of Dynamic Movement Primitives via Naive User Feedback)。実験では参加者がPepperに簡単なスキルゲームの動作を教え、Pepperが動作を実行するたびに「良い〜悪い」の5段階評価を与えることでモーションを改良しました (Frontiers | A User Study on Robot Skill Learning Without a Cost Function: Optimization of Dynamic Movement Primitives via Naive User Feedback) (Frontiers | A User Study on Robot Skill Learning Without a Cost Function: Optimization of Dynamic Movement Primitives via Naive User Feedback)。評価関数を明示的に与えなくとも、ユーザの主観的な評価を用いてPepperが動作精度を向上できることが示されており、最終的なタスク成功率は、人手で設計した評価関数を用いた場合と同程度に達しました (Frontiers | A User Study on Robot Skill Learning Without a Cost Function: Optimization of Dynamic Movement Primitives via Naive User Feedback) (Frontiers | A User Study on Robot Skill Learning Without a Cost Function: Optimization of Dynamic Movement Primitives via Naive User Feedback)。この研究は、プログラミングなしでロボットに新技能を習得させる可能性を示しています。

Pepperの動作制御研究全体を通して、ROS（Robot Operating System）の導入も重要なトレンドです。Pepperの標準ソフトウェア（NAOqi）は独自仕様で拡張性に限りがあるため、研究者はPepperにROSをインストールして高度な制御アルゴリズムや外部ライブラリを活用してきました ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。例えばROSのMoveIt!ライブラリを用いてPepperの腕の軌道計画を行い、クラウド上で計算した軌道をPepperに実行させるシステムも開発されています () ()。このクラウドロボットシステムでは、Pepper本体の計算資源では困難な高次元プランニングをネットワーク越しに処理し、結果をPepperに送信することでスムーズなジェスチャ生成（例：手旗信号の実演）を実現しました () ()。ただしネットワーク遅延への対策として、あらかじめ生成した軌道をPepper側に保持し、リアルタイム性を確保する工夫がなされています () ()。

以上のように、動作制御の分野では制御精度の向上（経路追従や姿勢安定化）、人とのインタラクション（手をつなぐ歩行や安全な接触動作）、学習による動作獲得、外部システム連携（ROSやクラウド活用）といった方向で技術が発展しています。以下の表に、Pepperの動作制御に関する代表的な研究事例をまとめます。

2. 音声認識・対話システムとの連携

Pepperは「感情認識ができる対話ロボット」として設計されただけあり、音声認識と対話制御も重要な研究テーマです。標準のPepperにはNuance社のVocon音声認識エンジンが搭載されており、あらかじめ定義した語彙に基づく音声コマンド認識（キーワードスポッティング）を行います (Towards a Robust Interactive and Learning Social Robot)。しかし、この組込み認識は汎用性に欠けるため、近年の研究ではPepperにクラウドや外部の音声認識サービスを統合し、柔軟な音声対話を実現する試みがなされています。

代表的な例として、Carnegie Mellon大学の研究ではPepperにGoogle Cloud Speechのストリーミング認識を組み込み、クラウドベースの高精度認識とPepper内蔵のVocon認識を組み合わせてエンSEMBLEするアプローチが取られました (Towards a Robust Interactive and Learning Social Robot) (Towards a Robust Interactive and Learning Social Robot)。クラウド認識は語彙制限がない反面インターネット接続や遅延の問題がありますが、研究者らは両者を並行して実行し、クラウド結果が遅延したり不安定なときには内蔵認識の結果を使うといったマルチモーダル冗長構成を導入しています (Towards a Robust Interactive and Learning Social Robot) (Towards a Robust Interactive and Learning Social Robot)。実験では、Pepperの組込み認識とクラウド認識それぞれの強み・弱みを分析し、組み合わせることで認識精度とロバスト性が向上することを確認しました (Towards a Robust Interactive and Learning Social Robot) (Towards a Robust Interactive and Learning Social Robot)。例えば、Google認識は自由発話に強い一方で特定フレーズへの誤マッチが起こり得るため、Pepper内蔵の文法制限された認識結果（誤認識時も信頼度が低ければ無視できる (Towards a Robust Interactive and Learning Social Robot)）とうまく補完し合うよう設計されています (Towards a Robust Interactive and Learning Social Robot) (Towards a Robust Interactive and Learning Social Robot)。さらにこの研究では、対話を重ねる中でPepperが新しいフレーズ（聞き慣れない単語）を学習し、自身の認識ボキャブラリを更新していくオンライン学習アルゴリズムも提案されました (Towards a Robust Interactive and Learning Social Robot) (Towards a Robust Interactive and Learning Social Robot)。具体的には、会話中に未知の単語を検出すると次回以降のセッションでその単語を認識できるよう辞書に追加する仕組みで、時間とともにPepper自身の音声認識性能を強化します (Towards a Robust Interactive and Learning Social Robot)。

音声認識性能そのものの評価研究も行われています。NTNUの研究では、Pepperのマイクで収音した音声をテキスト化する精度を詳細に検証するため、8名の話者によるデータセットを用いて単語誤り率 (WER)を測定しています ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC ) ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC )。Pepperが記録した音声から特徴量（MFCCやピッチ等）を抽出し、クラスタリング手法で音質の似たグループに分類した上で、OpenAIの高精度音声認識モデルWhisperを使って各クラスタの認識精度を評価しました ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC ) ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC )。その結果、話者から1メートル以内の距離であれば良好な音声認識性能が得られる一方、距離が離れると精度が低下することが確認されています ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC )。また、話者の年齢や性別による差は統計的に有意でなく、Pepperの認識性能に大きな影響を与えないことも報告されました ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC )。これはPepper内蔵マイクの特性上、距離や環境ノイズが主要因であり、話者プロファイルの違いは二次的であることを示唆しています。

Pepperを使った音声対話システム統合の研究も盛んです。ソフトバンク社提供の対話フレームワーク「ALDialog」を用いると、ユーザ発話とロボット応答をルールベースでスクリプト化できますが (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)、深みのある会話を実現するには膨大なシナリオ記述が必要です。そこで近年は、大規模言語モデル（LLM）をPepperと連携させて汎用的な対話能力を持たせる試みも登場しています () ()。例えば2023年以降の事例では、Pepperのマイク入力をWhisperでテキスト化し、それをGPT系の言語モデル（例：OpenAI GPT-3やFalcon-7Bなど）に与えて応答文を生成させるシステムが開発されています () ()。生成された応答はPepperの音声合成で発話され、あたかもPepper自身が高度な会話能力を持っているかのように振る舞います。このシステムではPepper内蔵タブレットや外部PC上にWebサーバを立て、Pepperから音声データを送りクラウドAPIで処理する構成が取られました () ()。評価では、オープンソースの軽量モデルから大規模なChatGPTまで応答の所要時間や内容の適切さが比較され、現実的な応答速度と対話の質の両立に向けた課題が議論されています () ()。総じて、大規模言語モデルの力を借りることでPepperの対話能力は飛躍的に向上しますが、そのためには高性能な外部サーバや安定したネットワーク接続が必要であり、リアルタイム性やシステム統合の複雑さといった新たな課題も浮上しています。

最後に、Pepperの音声入出力に関連するヒューマンロボットインタラクション(HRI)評価にも触れます。ある研究では、Pepperを教室の教育補助者として用い、教師の発話をリアルタイムに文字起こししてタブレットに表示するシステムが検討されました。このように音声認識結果を視覚フィードバックすることで、難聴の学生の支援や発話内容の記録に役立てることが狙いです ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC ) ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC )。Pepperのマルチモーダル能力（話す・聞く・表示する）を活用したHRIデザインは各分野で模索されており、音声コマンドとジェスチャを組み合わせてユーザに案内をしたり、対話中に相手の発話を中断せず複数の入力に反応するインタラクションなど、自然な対話に近づける工夫が提案されています (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential) (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。もっとも、複数人が同時に話しかけるケースや騒音環境での認識精度向上など、解決すべき課題も依然残されています。

以上のように、Pepperの音声認識・対話連携技術はクラウドAIの活用、マルチモーダル統合、自己学習、大規模言語モデルとの融合などによって発展してきました。下表に主要な研究例を示します。

        Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11274617/#:~:text=discarding%20data%20points%20with%20values,the%20comprehension%20of%20spoken%20statements))        | 聴覚支援・対話分析（研究用途）           | Whisperによる高精度文字起こし＋音響特徴クラスタリング      | 最適収音距離は約1mで、それ以内で高精度認識可能 ([
        Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11274617/#:~:text=discarding%20data%20points%20with%20values,the%20comprehension%20of%20spoken%20statements))。話者の年齢・性別による精度差は見られず、一貫した性能を確認 ([
        Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11274617/#:~:text=discarding%20data%20points%20with%20values,the%20comprehension%20of%20spoken%20statements))。 |

| PepperのLLM対話統合（2025） () () | 一般対話・質問応答（実証実験） | Whisper音声認識＋大型言語モデル(GPT系)応答生成 | 高度なオープン対話を実現。しかしPepper単体では処理不能で外部GPUサーバ依存。応答時間はモデル規模に依存（大規模モデルほど遅延増加） ()。 |

3. Pepperの自律移動・ナビゲーション技術

自律移動（ナビゲーション）は、Pepperを実環境で活用する上で不可欠な能力です。Pepperには標準で自己位置推定と地図構築（SLAM）機能が搭載されており、NAOqiフレームワークの「ALNavigation」モジュールを通じて地図の探索と経路誘導が可能です (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential) (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。Pepperの底部にはレーザーセンサ（あるいは赤外/超音波）による障害物検知機能があり、約3m四方までの環境地図を作成して安全な経路計画を行うことができます (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。例えば、8m×8mの実験室でPepperに探索走行させた結果、机や椅子、柱といった障害物を回避しながら部屋の地図を生成し、指定座標まで自律移動できることが確認されています (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential) (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。この標準SLAMを用いた場合でも、約4m先のゴールに対し平均0.5m程度の自己位置誤差で到達できたとの報告があります (A SLAM-Based Localization and Navigation System for Social Robots: The Pepper Robot Case) (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。一方で、回転時の方位ズレが蓄積しやすく、最終的な到着時の機体向きが目標とずれる現象が3回の試行すべてで観察されました (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。標準APIではゴール時の目標方位θを指定できるものの効果が限定的であり、この課題には別途対策が必要と指摘されています (An Exploration of the Pepper Robot’s Capabilities: Unveiling Its Potential)。

こうした精度上の課題やPepperのハード制約を克服すべく、研究者たちはPepperのナビゲーション機能を拡張する様々な手法を試みています。前述の通り、Pepperの標準センサだけでは環境認識に限界があるため、追加センサの搭載やセンサデータ融合が積極的に検討されました。ある研究ではPepperのベース（底面）に搭載された2箇所のレーザーによる平面スキャンに加え、頭部の奥行きカメラから得た深度画像を用いてポイントクラウドを統合し、環境の障害物検出精度を高めています ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。Pepperの底面レーザーは床に近い障害物（床に置かれたバックパック等）は検知できても高さのある障害物（腰高のソファ等）は捉えづらく、一方で頭部の深度センサは視野が限られるものの上方の物体を検知できます ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。そこで両者を統合したスキャンデータ（図4(c)）を用いることで、Pepper単体でも環境のより完全なモデルを取得し、安全な経路計画に反映できるようにしています ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。このようなセンサ融合と高度な地図生成にはROSのNavigation Stackが活用されており、研究チームはNAOqiとROSを連携させる仮想マシン環境を構築してPepperに最新のSLAMアルゴリズムを実装しました ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。公式には提供されていない経路プランニング機能も、ROS上であればグローバル経路計画・局所経路追従・障害物回避の各モジュールを柔軟に組み合わせられるため、Pepperのナビゲーション性能が飛躍的に向上しています (A SLAM-Based Localization and Navigation System for Social Robots: The Pepper Robot Case) (A SLAM-Based Localization and Navigation System for Social Robots: The Pepper Robot Case)。実際、動的な室内環境における実証では、独自に開発したROSベースのナビゲーションによりPepperが衝突なくゴールに到達でき、被験者評価でも約86%が「受け入れ可能」と回答するなど、実用上十分な性能を示しました (A SLAM-Based Localization and Navigation System for Social Robots: The Pepper Robot Case)。

Pepperのナビゲーション研究で特筆すべきもう一つの流れは、社会的に受容可能な移動の実現です。単にゴールへ到達するだけでなく、人がいる環境で自然で安全な移動を行うことが求められます ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory)。例えば、Pepperが人の会話グループに加わる場面では、背後から急接近しない・適切な間合いに停止するといったソーシャルナビゲーションのルールを考慮する必要があります。研究の一例では、幾何学的な集団形成モデルを用いて会話円陣の空いている位置（人が迎え入れやすい位置）を算出し、Pepperがその地点にスムーズに入り込む経路計画手法が提案されています。実験ではPepperが3〜4人のグループに対し違和感の少ない軌道で接近・参加する様子が観察されており、人間社会に溶け込むロボット移動の一端を示しました。また別の研究では、Pepperがオフィス内を文書搬送係として自律走行するケースが検証されました ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC )。Pepperは職員から音声命令で指示を受け、発話者を顔認識で特定すると、その人の元へ移動して書類を受け取り、所定の保管場所まで運搬しました ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC ) ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC )（実際には人がPepperのトレイに書類を載せ、目的地で取り出す運用）。このシステムではPepperに経路ポイントを順次辿らせるシナリオがChoregraphe上で構築されており、移動中はPepperのカメラ映像を確認しながら障害物との干渉がないか検証されています ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC ) ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC )。結果として、静的なオフィス環境であればPepperは所定の配達タスクを遂行可能であるものの、長時間運用では平均8時間に1度程度システムリセットが必要になる（MTBF≒8時間）との報告もあり ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC ) ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC )、信頼性向上が今後の課題とされています。

以上のように、Pepperの自律移動技術はSLAMと経路計画の高度化、センサ拡張による認識力強化、人に配慮した移動挙動、実アプリケーションでの信頼性評価といった観点で発展しています。最後に、関連する研究事例を表にまとめます。

        A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11429509/#:~:text=the%20Pepper%20robot%20has%20to,them%20in%20the%20designated%20place)) ([
        A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11429509/#:~:text=dialogue%20with%20Pepper,to%20deposit%20the%20received%20object))   | オフィス内の書類配達（静的環境）            | 顔認識＋音声命令で指示 → 既知ポイント間ナビゲーション  | 職場での反復タスクを遂行し、対人応対（挨拶や確認応答）も可能 ([
        A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11429509/#:~:text=the%20Pepper%20robot%20has%20to,them%20in%20the%20designated%20place))。一方で連続稼働時間に制約（8時間程度で再起動必要） ([
        A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study - PMC
    ](https://pmc.ncbi.nlm.nih.gov/articles/PMC11429509/#:~:text=image%20,31))。 |

おわりに

2015年以降のPepperロボット研究は、モーション制御・音声対話・自律移動の各側面で著しい進歩を遂げました。動作制御では移動性能の向上や人との安全な触れ合いが追求され、音声対話ではクラウドAIやLLMの導入によって柔軟性が増し、自律移動では高度なSLAM統合や社会的振る舞いの考慮が進みました。これらの研究は、教育現場での対話支援 ( Assessment of Pepper Robot’s Speech Recognition System through the Lens of Machine Learning – PMC )、接客や案内ロボットとしての長期運用 ( A Method for Assessing the Reliability of the Pepper Robot in Handling Office Documents: A Case Study – PMC )、リハビリテーションへの寄与 (Hold My Hand: Development of a Force Controller and System Architecture for Joint Walking with a Companion Robot)など、様々なユースケースでPepperの可能性を拡大しています。しかし同時に、Pepper特有のハード・ソフト上の限界（センサの範囲や処理能力、長時間稼働時の信頼性など）も明らかとなり、これらを補完する周辺技術（ROS連携やクラウドオフロード）の重要性が示されました ([1804.03288] Enabling a Pepper Robot to provide Automated and Interactive Tours of a Robotics Laboratory) ()。今後、より高度な知能と機敏な身体性をPepperに持たせる研究が進めば、家庭や公共空間で人と協調して働くパートナー・ロボットとして一層活躍できると期待されます。