産業ロボットに深層学習を組み合わせて、日用品から食品などの多品種・柔軟物体を把持対象として扱う次世代スマート産業ロボットを実現する取り組みが数多く行われている。本講演では、次世代スマート産業ロボットを実現するための各処理である物体認識、把持位置検出、経路計画の処理について解説する。また、深層学習を用いた把持位置検出並びに把持動作の獲得に関する研究の最新動向について紹介する。

より高度な知能ロボットの実現のためには、人間のように状況を理解し、柔軟で臨機応変な行動を生成する必要がある。本講演では、深層学習を利用してロボットが日用品の「機能」を認識し、その情報を利用して自ら動作を生成するなど、一連の応用事例を紹介する。機能属性としては、たとえばスプーンがもつ「すくう」という機能、コップがもつ「蓄える」という機能がある。これらを認識することによって、ロボットはその道具のどの部分をどのように把持し、どのように動かせばよいかを自分自身で判断し、動作を作り出すことができる。さらに、対象物の部分的な機能属性がわかると、その対象物の種類を推定することもできる。我々は、組立てロボットにおける機能属性利用した動作転移の研究もスタートさせており、現場でのロボットティーチングを省力化できた事例についても紹介する。

試行錯誤を通じて収集したデータから行動ルールを学習する強化学習は、ビデオゲームや囲碁などで人間以上の性能を実現したことで脚光を浴びている。しかし、膨大な数のサンプルデータを必要とするため、サンプルコスト（サンプル収集に要する時間と費用，故障のリスク）が高い現実のロボットシステムに適用することは容易ではない。本講演では、実世界のロボット制御への応用に向けて、近年我々が開発したサンプル効率の高い深層強化学習法やガウス過程に基づくモデルベース強化学習法を紹介する。さらに、不定形物を操作するロボット、化学プラント、小型船舶、ごみクレーンなどへの応用事例を紹介する。また、強化学習の実世界ロボット制御への適用性を高めるための様々な可能性についても議論する。

2018年にPreferred Networksはお片付けロボットという、自律的に判断行動するロボットシステムのデモ展示を行った。これまで産業用ロボットはティーチングプレイバックという言葉が表すとおり、同じ動作の繰り返しを特徴とし、その正確性と高速性が大きな特徴であった。一方で決まった動作を繰り返すため、環境を固定化する必要がある。近年急速に発展してきた、深層学習とシミュレーションというソフトウェア技術により、ロボットはより自律的に動くことが可能になってきた。その結果、一部の製造業など限定されていた活用範囲は、今後広がっていくことが期待される。本講演では弊社内でのこうした技術の研究開発状況を例に、これらの技術がロボット業界に及ぼす影響と、それによって広がる産業応用についてお話する。