ニュース
VLAモデルで言葉と行動を結びつける、人と協働する次世代ヒューマノイドの可能性【KDDI SUMMIT 2026】
2026年10月27日 10:30
KDDIは、27日～28日の2日間、「TAKANAWA GATEWAY Convention Center」（高輪ゲートウェイコンベンションセンター）で「KDDI SUMMIT 2026」を開催している。
フィジカルAIの社会実装として、会場では物流と小売の現場において「人とロボットが協働する社会」を目指した取り組みが紹介されている。
物流センターで梱包作業
物流センターでは、人手不足に加え、多様な注文への対応や商品を丁寧に扱う対応が求められるなど課題が山積している。会場には、これらの課題解消を図るべくAIを搭載した作業ロボットが展示されており、同社オンラインショップの物流センターを模した環境のデモが実施されている。
オンラインショップでは、日々さまざまな注文が入り、それに応じて商品を梱包する必要がある。商品は高価なスマートフォンから袋状のパッケージをしたアクセサリーまでさまざまなものがある。
デモでは、ロボットのカメラ映像をAIが分析し、商品を自動でピックアップし、段ボールに入れる。その後、箱の中で商品が動かないよう緩衝材を詰め、箱を閉じてかご台車に積載するまで1台のロボットで行っていた。
開発にあたっては、実際の作業員にデバイスを装着してもらい、普段通りの作業からデータを収集してロボットの学習に生かした。実環境だけでなくシミュレーション環境も使ってロボットに学習させることで、学習コストの削減も図ったという。
商品をピックアップする歩行型ロボット
その隣では、2足歩行するロボットが、コンビニなど小売店の商品棚から商品をピックアップし、ユーザーに届けるデモが披露されている。
ロボットが人の注文を音声で受け、AIが次の動作を計画し、商品棚に向かい商品を検知、ピックアップしてユーザーの元まで戻ってくる流れが体験できる。単にユーザーの細かい指示通りに動くのではなく、AIエージェントが要望を理解して自律的に動作を計画。LiDARで周囲の環境や自己位置を認識し、カメラ映像から商品を識別して動作する仕組みだ。
視覚と言語、行動を同時に結びつけて学習し、より汎用的にさまざまなタスクをこなせるVLA（Vision-Language-Action）モデルが活用されている。
自律的な動作が行えるようになれば、決まった手順に頼らずAIが柔軟に判断して動作できるようになる。また、二足歩行ロボットなど、より人に近い「ヒューマノイド」で稼働できるようになれば、これまで人が働いてきた作業環境を変えなくても自然な形で導入できるようになるとしている。