コンサルティング大手のMcKinseyが、ヒューマノイド(人型ロボット)普及の本当のボトルネックはAIの賢さではなく「部品の供給網」だと指摘しています。
レポートによれば、ヒューマノイド1体の部品コスト(BOM)のうち40〜60%をアクチュエーター(関節を動かすモーターと減速機)が占め、次いでセンサー類が10〜20%を占めます。現状の1体あたりコストは$30,000〜$150,000。本格普及には$20,000を切る必要があるとされますが、「注文が少ないから部品が安くならない、部品が高いからロボットが売れない」という鶏卵問題が業界全体を縛っています。
さらに供給網では中国が圧倒的に有利です。永久磁石の90%、精密ベアリングやエンコーダーの40%を中国が生産しており、Unitree社は人型ロボット「G1」を$16,000で売り出しています。
この記事を読んで、多くの人は「日本の部品メーカーはどう戦うか」を考えると思います。私も普段はNC旋盤やフライス盤で金属を削っている人間なので、その視点は持っています。でも今回は、あえて逆側から考えてみたい。
「高いセンサーを、そもそも減らせないか?」
センサーの仕事を分解してみる
ロボットに載っているセンサーは、大きく2つの仕事をしています。
1つは「制御」。関節の角度を測る、力加減を測る、といったリアルタイムのフィードバックです。ここは専用センサーの独壇場で、ソフトウェアでの代替は困難です。
もう1つは「監視」。ちゃんと進んでいるか、車輪が空転していないか、想定外の場所に飛ばされていないか——つまり異常検知です。従来この仕事は、車輪エンコーダー、モーター電流センサー、IMUなど複数の内界センサーの情報を突き合わせて実現されてきました。
私が注目しているのは、この「監視」の仕事です。ここは安価な単眼カメラ1台とソフトウェアで、かなりの部分を肩代わりできる可能性があります。
VPR類似度という「無料の監視信号」
私は現在、小型ロボット(Moorebot Scout E)を使ったTeach-and-Repeat型の自律走行を研究しています。VPR(Visual Place Recognition、視覚的場所認識)という技術で、教示走行時に撮った画像と再生走行時のカメラ画像を照合しながら進む方式です。
この研究をやっていて気づいたのは、VPRの「類似度スコア」の時系列そのものが、優秀な異常検知信号になるということです。
- 類似度が高いまま進捗インデックスが止まる → スタック(HOLD)。本来ならモーター電流センサーでストールを検出する場面
- 進捗インデックスが不連続に飛ぶ → 位置飛び(JUMP)。誘拐ロボット問題の検出
- インデックスが逆行する → 後退(REVERSE)。オドメトリとの矛盾検出
つまり、ナビゲーションのために計算している類似度を「ついでに」監視に使えば、追加センサーはゼロ。カメラはどうせ載せるので、限界費用ゼロの安全機構になります。
実際、私の実験では直線ルートで視覚補正ONの場合、OFFと比べて約18%の誤差低減を確認しています。そして興味深いのは失敗データの方で、L字ルートの特定の曲がり角(θ=40°付近)で再現性のある失敗が起きます。研究者としては頭の痛い話ですが、異常検知の評価という観点では「ラベル付きの異常データセット」が手元にあるということです。失敗した実験が、次の研究の主データになる。現場研究の面白いところです。
BOMの10〜20%に効くソフトウェア
McKinseyの数字に戻ります。センサー類がBOMの10〜20%を占めるなら、センサー点数を減らすソフトウェアはコスト削減に直接効きます。
しかも、ここには日本の中小企業や個人開発者が戦える余地があります。理由は3つ。
資本がいらない。 センサー素子の製造はSonyやBoschクラスの資本が要る世界ですが、統合・監視ソフトウェアはPCとロボット1台で開発できます。私の実験環境は数万円のロボットとPython 3.8です。
現場知が武器になる。 「どういう異常が実際に起きるのか」は、機械を毎日動かしている人間が一番知っています。工作機械の異常も、振動・音・切りくずの色といった「ついでに得られる信号」から熟練者は読み取ります。VPR類似度による監視は、この現場感覚のソフトウェア版です。
標準がまだない。 McKinseyも指摘する通り、ヒューマノイド用のセンサー構成には業界標準が存在せず、各社がバラバラに寄せ集めて自前調整しているのが現状です。標準がない今こそ、「少ないセンサーで済ませる設計思想」を提案するチャンスです。
日本の戦い方は「素子」ではなく「統合」
日本には少子高齢化による労働力不足という、ヒューマノイドの明確なニーズがあります。私は、日本の製造業がこの市場で戦うなら、高性能部品の供給だけでなく、**「センサーを統合し、減らし、評価する技術」**にも張るべきだと考えています。
素子で中国のコストと戦うのは消耗戦です。しかし「カメラ1台から複数センサー分の情報を引き出すソフトウェア」「センサー構成を評価する治具や試験装置」は、現場知と精密加工の両方を持つ日本の得意領域と重なります。
私自身は、この考えをまず自分の研究で実証するところから始めます。VPR類似度を監視信号として使う手法の検出遅延と誤検知率を定量化します。将来的には、画像ストリームから異常信号を出す部分を独立したオープンソースパッケージとして公開することが良いと考えています。
大きな話をしましたが、出発点は「数万円のロボットが曲がり角で毎回コケる」という地味な観察です。現場の失敗を拾って、数字にして、公開する。町工場サイズの研究開発でも、供給網の空白地帯には届くと信じています。
進捗はこのブログで随時報告します。ロボット研究の過去記事は[製造業DXカテゴリ]からどうぞ。
コメント