Appleが発表した新しい研究は、まるで人間がお手本を見せるように、ロボットに動きを教える画期的な方法なのです。

Vision Proを使って「人間の目線」をロボットに伝える

Appleの研究チームが提案したのは、「ロボットを訓練するために、人間の行動を直接“見せる”」というアイデアです。

従来のロボット開発では、ロボット自体を遠隔操作してデータを集める必要がありましたが、この方法は時間もコストもかかります。そこでAppleは、Apple Vision Proを使って人間の視点からの映像（ファーストパーソンビデオ）を大量に収集し、それをロボットの学習に活用するという、より効率的な手法に挑戦しました。

どのようにしてデータを集めたのか

この研究の基礎となるのが「PH2D」と呼ばれる新しいデータセットです。
研究チームは次のような手順でデータを集めました。

1. Apple Vision Proをかぶった人間が、日常的な物体の操作（たとえば物をつかんだり移動したり）を実演します。
2. Vision ProのカメラやAppleのARKit技術を使って、3Dで頭や手の動きを細かく記録します。
3. さらにコストダウンのため、Meta Quest 3などの別ヘッドセットに専用のカメラ（ZED Mini Stereo Camera）を取り付けて同様のデータを取得する方法も実験しました。

この仕組みによって、わずか数秒で高品質な“人間の視点”デモ映像を大量に集められるようになりました。これが従来の「ロボットを直接遠隔操作してデータ収集する」やり方と比べて、圧倒的に速く、安価で、大規模化しやすいという点が最大の強みです。

データセット「PH2D」とは

「PH2D」は、Person（人）とHumanoid（ヒューマノイド）から名付けられたもので、

• 約2万5,000件の人間によるデモンストレーション
• 約1,500件のロボットによるデモンストレーション

この2種類の動作データがまとめられています。

こうした大規模なデータをAIに学習させることで、ロボットはより柔軟で多様なタスクをこなせるようになります。特に、人間の動きそのものを“お手本”として吸収できる点が、今までのロボット訓練とは大きく異なります。

学習モデル「Human Action Transformer（HAT）」の革新性

この研究の要となるのが、”Human Action Transformer（HAT）”という新しいAIモデルです。

HATの特徴は、

• 人間のデモデータもロボットのデモデータも、ひとつの統一フォーマットでAIに学習させる点
• データを「人間用」と「ロボット用」に分けず、両方をまとめて「汎用的な行動ポリシー」として学習できる

これにより、HATは「異なる体（人間とロボット）」の違いを超えて、幅広いタスクに適応できる能力を獲得しました。たとえば、人間の動きから学んだテクニックを、ロボットが自分の体で再現できるようになったのです。

人間のスピード感とロボットの動きの違い

面白い工夫もあります。

人間はロボットよりはるかに速く動くため、そのままの速度でAIに学習させると、ロボットには再現できません。そこで、人間の動作デモは4分の1の速度にスローダウンしてAIに見せることで、ロボットでも十分追いつけるよう調整されています。

これまでの方法との違いとメリット

従来のロボット訓練法は、

• ロボット自身を遠隔操作しながらデータを集める「テレオペレーション」が主流でした。しかしこの方法は機材も高価で、作業も大変です。

一方、この新方式では、

• 人間がただヘッドセットをかぶって普通に作業するだけでデータが集まる
• そのデータをAIが学び、ロボットが人間のように物を操作するスキルを身につける
• 同じデータ形式でAIが学習するため、タスクの切り替えや新しい課題にも対応しやすい

つまり「安く・早く・たくさん」データを集めてロボットを賢くできる仕組みなのです。

社会への影響と今後の展望

この技術が普及すると、工場や物流、介護、家庭内作業など、多様な現場でロボットが人間の“手本”を見て幅広い作業をこなせる未来が期待できます。特に、日本のような高齢化社会では、人手不足を補うロボットへの期待が高まっています。

もちろん、「人間の動きをそっくり再現するヒューマノイドロボット」という存在に対しては、ワクワク感と同時に不安や疑問もつきものです。ですが、今回の研究はあくまで「人間の力をより活用する」ための技術的ステップであり、ロボットと人間が協力する社会の実現に向けた大きな一歩と言えるでしょう。

(Via 9to5Mac.)