産業用ロボットに作業を教えるとは、長いあいだ、ティーチペンダントで座標を打つことでした。ここへ行き、ここで掴み、ここへ置く。教えた通りに再生する機械に、正確な座標を与える作業です。ところが新型ロボットの「教える」は、まったく違う意味になりました。人が実際に動いて見せた記録、つまりデータを集めることです。この転換が、納品後・稼働前に挟まる「適配」という工程の中身も、担い手も、工数の見積りも、すべて書き換えました。今回は、この適配を、技術の中身ではなく工程として扱います。何を、誰が、どれくらいの工数でやるのか。
なお、模倣学習やVLAといった技術そのものの仕組みは、姉妹講座「Physical AI 点検・保全講座」の第8回・第9回で詳しく扱っています。本講座は、その技術を現場に適配する工程の側に立ちます。
二つの「教える」
第1回で触れた羽田の実証は、2026年から2028年まで、二年半をかけて業務を教えます。産業用ロボットのティーチング教示なら、単純な作業は数日で終わります。なぜ二年半もかかるのか。教える対象が、座標から方策へ変わったからです。
伝統的な教示には、確立した方式があります。ティーチペンダントで座標を一点ずつ入力する方式、ロボットの腕を人が直接持って動かすダイレクトティーチ、そして計算機の上で軌道を作るオフライン教示。これらはどれも、決まった位置にある決まった対象を、決まった手順で扱うときに強力です。しかし、限界もはっきりしています。対象物が不定形で、毎回位置も向きも違うとき、座標が書けません。空港の手荷物のように、一つとして同じ形がなくランダムに流れてくる対象を、座標では教えられない。
だから、新型ロボットは方策を学びます。方策とは、この状況ならこう動く、という入力から動作への対応です。それを人が見せたデータから学ぶ。座標を打つのではなく、動いて見せて、その記録を集める。羽田が動作を一つずつ開発し、二年半をかけるのは、この方策を、業務ごとに、データを集めながら作っているからです。教えるという言葉は同じでも、作業の中身がまるごと入れ替わりました。
適配工程の全体像
方策をデータから作る作業を、工程に分解します。タスクを定義し、データを採取し、データの品質を管理し、学習させ、シミュレーションで検証し、実機で評価する。そして評価が足りなければ、採取に戻る。これは直線ではなく、環です。
各段に、成果物と担い手とつまずき所があります。データ採取は、遠隔操作や実演で人が動きを見せ、記録を作る段。品質管理は、集めた記録から使えないものを外す段。学習は、記録から方策を作る段。シミュレーション検証は、実機を壊す前に方策を試す段。実機評価は、現場に近い条件で成否と介入の頻度を測る段。どこか一段の質が低いと、環を何周しても方策は良くなりません。とくに、採取したデータの品質が低いまま学習に回すと、いくら周回しても改善しない状態に陥ります。
担い手も、段ごとに違います。データ採取は、業務そのものを知る現場の作業者と、動きを見せる遠隔操作者が立つ段です。品質管理は、記録を選別するデータ側の担い手が負う段。学習とシミュレーション検証は、方策を扱う技術側の担い手の段。実機評価は、現場条件を再現できる運用側が立ち会う段です。適配は一人の担当で回る工程ではありません。業務を知る側と、データを扱う側と、運用を担う側が、環の各段を分担して回します。ここをどこか一つの担当に押し付けると、その段で環が止まります。体制を先に描けないまま採取だけ始めると、集めた記録を選別する人も評価に立ち会う人もいない、という詰まり方をします。
工数の規模感を、一次資料で示します。ロボットのugoとデータ企業のFastLabelが提供するVLA研修は、「問い合わせから最短約3カ月で初期的な開発・検証プロセスの実施とナレッジ蓄積を目指すことが可能です」と公示しています。ここで押さえるべきは、これが研修プログラムの公示値であって、適配一般の相場ではないこと、そして「初期的な検証」までで最短三カ月という規模感です。座標を数日で打つ作業とは、工数の桁が違います。適配は、数日ではなく数カ月の工程として見積もる必要があります。
工数は、選ぶ工程路線でも変わります。対象物ごとに、データを集め、記録に印を付け、三次元の形状を取り、モデルを作る。この従来の流れは、対象を一つ立ち上げるのに数日を要してきました。既存の汎用モデルを組み合わせて部署する工程の学術先例は、この新規対象の立ち上げを約30分の規模まで縮めたと報告しています（Yan et al., arXiv:2604.17258）。同じ先例は、対象の三次元形状とタスクの指定を差し替えるだけで、瓶を掴む作業から窓枠に糊を塗る作業へ、構成を作り替えずに移せたとも記します。ここから言えるのは、適配の工数は一つの相場では決まらないことです。方策をデータから育てる路線か、既存のモデルを組み合わせて部署する路線か、選んだ工程で工数の桁が動きます。数カ月という規模感は、方策を業務ごとに育てる路線の話であって、全ての適配に一律に当てはまるわけではありません。
データ採取の実務
適配の質を最初に決めるのが、データ採取です。人の動きをどうロボットに渡すか、その方式にいくつかあります。VRのコントローラで操作する方式、モーションキャプチャで全身の動きを取る方式、ロボットと同じ構造のリーダーアームを人が動かして従わせる方式。作業の種類と、必要な自由度で選び分けます。
採るデータには、三つの要素があります。量、質、多様性です。量は、単純に記録の数。質は、一つひとつの記録が正しく使えるか。ここには品質を自動で判定する実務もあり、教示データの録画と品質判定を組み合わせる道具が現れています。多様性は、同じ動作を、照明を変え、位置を変え、対象物を変えて集めること。同じ条件ばかり集めても、現場のばらつきに耐えられません。多様性の設計が、現場で崩れない方策の鍵になります。
全身を使った遠隔操作が、どこまで到達しているかを示す学術先例があります。スタンフォードなどのグループが2025年に公開したTWISTは、モーションキャプチャで取った人の全身動作を、ヒューマノイドの体格に写し替えてリアルタイムに移します。29自由度の中型ヒューマノイドで、箱を床から持ち上げる、ボールを蹴る、横に歩くといった全身の協調動作を、一つの制御器で扱いました。採取の側で押さえておきたいのは、量の設計です。この先例が現場で新たに採ったモーションキャプチャ記録は約150本という少量で、これに既存の約1万5千本の動作記録を合わせて用いています。新規の採取をどれだけ少なく抑え、既存の記録でどこまで補うか。採取量の設計は、工数そのものに直結します。人がやって見せれば、ロボットが全身で追う。データ採取の入口が、ここまで来ています。
採取は、行き当たりばったりでは回りません。どのタスクを、何本、どの条件を振って集めるか。タスク名、目標本数、振る条件（照明・位置・対象物）、採取済み本数、品質に合格した本数。これらを列にした採取計画シートを作り、埋めながら集める。この表があると、どの条件がまだ足りないかが一目で分かり、量と多様性のどちらが不足しているかを採取の途中で立て直せます。計画のない採取は、量ばかり増えて多様性が足りない、という失敗に落ちます。
学習と検証
集めたデータから方策を作るのが、学習です。人の実演をそのまま真似る模倣学習から始め、基盤モデルを現場のデータで微調整する。この技術的な中身は姉妹講座に譲りますが、工程としては、データを入れて方策を出す段です。
そのあとに、シミュレーション検証が入ります。作った方策を、いきなり実機で動かすのは危険で高価です。だから、仮想空間で先に落とす。実機を壊す前に、方策の穴を見つける場所です。この順序は、部署の学術先例でも踏まれています。先の先例（arXiv:2604.17258）は、作った動作をまず仮想環境で確かめ、そのうえで実機に渡す順序を取りました。ただし、シミュレーションと現実には差があり、仮想でうまくいっても実機で崩れることがあります。この差の扱いも姉妹講座で詳しく扱いますが、工程としては、シミュレーションを過信せず、最後は実機で確かめるという原則を守ります。
実機評価では、成功率を測ります。ただし、一箇所で測って終わりにはしません。先の部署先例は、作業机の上の五箇所（中央・手前の左右・奥の左右）に対象を置き換えて、位置のばらつきに対する成否を測っています。評価条件をどう振るかが、現場で崩れない適配の判定を左右します。そして、成功率だけでは足りません。もう一つの指標が、介入率です。ロボットが自力でやり切れず、人が手を出した頻度。成功率が同じでも、十回に一回人が入る方策と、百回に一回で済む方策では、運用の重さがまるで違います。この介入率が、第9回の運用編で、人とロボットの配分を決める土台になります。
工具链の選び分け
適配を、どの道具の上でやるか。ツールチェーンは、大きく三つの類型に分かれます。第2回でも触れましたが、ここでは適配工程の観点で構造の違いを見ます。
一つ目は、全链路型です。データ採取から標注、訓練、微調整、部署、そしてデータの回収までを一つの環境で完結させる。中国メーカー系のGenie Studioのような環境がこれにあたり、私有化してオンプレミスに置ける構成も提供されます。適配工程の全段を一つの道具で回せる一方、そのプラットフォームの設計に工程が縛られます。二つ目は、SDK型です。Unitreeのように、機体の低層制御を開放し、採取も学習も自分で積み上げる。自由度は最も高いが、工程を自分で設計し保守する負荷を負います。三つ目は、開源型です。LeRobotのように、データセットも方策もコミュニティで共有され、course として学べる形になっている。コストが低く最新に追随しやすい一方、現場運用に耐える形への仕上げは自前です。
選ぶ基準は、三つです。自社の技術力、データの主権、そしてロックインの許容度。適配を自社の資産として積みたいなら、データが自分の手元に残る構成を選ぶ。早く回したいなら全链路型、学びながら試すなら開源型。ここでも、機体の性能ではなく、適配工程をどう回すかで道具が決まります。
適配の見積書
最後に、実務の着地です。適配工程を、いくらの工数で見積もるか。構造はこうです。タスクの数に、一タスクあたりのデータ量を掛け、それに再試行率を掛ける。タスクが多いほど、必要なデータが多いほど、そして環を回り直す回数が多いほど、工数は膨らみます。
この掛け算は、方策を業務ごとにデータから育てる路線の見積りです。既存のモデルを組み合わせて対象を足していく路線なら、重心は初期構成の作り込みに寄り、対象を一件足すごとの工数は軽くなります。どちらの路線を先に選ぶかで、見積書の土台が変わります。そして、工数の見積りには体制の見積りが付きます。業務を知る側、データを扱う側、運用を担う側の三者が、どの段に何割の時間を割くか。この配分を描けて初めて、適配の見積書は現場の計画になります。
ここで正直に線を引きます。適配費の具体的な金額は、公開された数値が乏しく、相場として示せる段階にありません。だから金額は書きません。ただし、構造として言えることがあります。機体を買う費用と、それを現場向けに適配する費用は、同じ桁になりうる。座標を打つ数日の作業が数十万円で済んだ時代の感覚で、データを集めて方策を育てる数カ月の工程を見積もると、桁を間違えます。適配費は、本体価格の付属品ではなく、本体と並ぶもう一つの本体です。この費用構造は、第10回の経済編で改めて扱います。
おわりに
「教える」は、ティーチペンダントで座標を打つことから、人が動いて見せたデータを集めることへ変わりました。羽田が二年半をかけるのは、座標ではなく方策を、業務ごとにデータから育てているからです。適配は、タスク定義から採取・品質・学習・検証・実機評価まで環をなす工程で、段ごとに担い手が違い、業務を知る側とデータを扱う側と運用を担う側が分担して回します。工数は、方策を育てる路線か既存のモデルを組み合わせる路線かで桁が動き、育てる路線では最短でも数カ月の規模を持ちます。データ採取は量・質・多様性で設計し、新規採取をどこまで少なく抑えるかが工数に直結する。TWISTのような全身遠隔操作が、その入口を広げています。学習と検証は姉妹講座の技術に支えられ、実機評価では条件を振って成功率とともに介入率を見る。道具は全链路型・SDK型・開源型を、技術力とデータ主権とロックインで選び分ける。そして適配費は、本体と並ぶもう一つの本体です。
適配とは、買ったロボットを現場に馴染ませる仕上げ作業ではありません。この現場の方策を、データから設計して育てる工程です。
次回は第8回、視覚編です。適配したロボットが現場を正しく見るために、カメラの選定と校正、照明の設計、そして処理できるものとできないものを見分けて人へ振り分ける判定の設計を扱います。第2回の可処理性が、稼働時のロジックとして立ち上がる回です。
本記事は「Physical AI 導入実務講座」シリーズの第7回です。技術の仕組みは姉妹講座「Physical AI 点検・保全講座」を参照ください。次回は視覚編を扱います。スライド資料（PDF）は無料でダウンロードいただけます。
出典
- Aviation Wire「羽田空港でヒューマノイドロボットの実証」（2026-04-27）※業務を一つずつ教える・二年半の工程
- ugo × FastLabel VLA研修 プレスリリース（PR TIMES、2026-05-27）※「問い合わせから最短約3カ月で初期的な開発・検証プロセスの実施とナレッジ蓄積を目指すことが可能です」（研修プログラムの公示値・適配一般の相場ではない）
- Ze et al.「TWIST: Teleoperated Whole-Body Imitation System」（arXiv:2505.02833、2025年5月・Stanford/SFU）Figure 1 ※全身遠隔操作の学術先例
- Yan, Liao & Ye「A Rapid Deployment Pipeline for Autonomous Humanoid Grasping Based on Foundation Models」（arXiv:2604.17258、2026年4月）※部署パイプラインの先例
- FastLabel OpenLUTRA（示教データ録画＋品質自動判定・ROS2対応）※発布前に公式頁を保存
- LeRobot（Hugging Face、robotics course／開源データセット・方策）※工程の講法・図の取用は出典明記
- AgiBot（智元機器人）Genie Studio 公式 ※データ採取〜訓練〜部署〜データ回収の全链路・私有化部署（公式記載のみ・発布前スクリーンショット）
- Unitree SDK（unitree_sdk2、低層制御の開放）／経済産業省「ロボットシステムインテグレータのスキル読本」（伝統的教示の類型）
- ※模倣学習・VLA・Sim2Realの技術的仕組みは姉妹講座「Physical AI 点検・保全講座」第8回・第9回を参照