Amazon、ロボット開発と物理タスクの実行を支援するオープンソース開発ツールチェーンを発表

Amazon Web Services (AWS) は、周囲の環境を知覚し、意思決定を行い、物理的なタスクを実行できるロボットの構築と導入を企業が支援できるよう、オープンソース開発プラットフォームを発表しました。Physical AI Toolchain on AWS と名付けられたこのプラットフォームは、AWS インフラストラクチャと NVIDIA のフィジカル AI ソフトウェアエコシステムを組み合わせ、産業用ロボット、自律移動ロボット、ヒューマノイドシステムの開発を支援することを目的としています。Amazon によると、このツールチェーンの目的は、AI モデルを開発から実機へ移行する際に必要なエンジニアリング作業を削減することです。

AI 開発の転換

今回の発表は、テキストや画像を生成するシステムから、物理環境と相互作用しなければならない機械へと、AI 開発がより広範に転換していることを反映しています。これらの相互作用におけるエラーは、設備の損傷、生産の混乱、安全リスクの発生につながる可能性があります。

従来の産業用ロボットは通常、制御された環境で所定の動作を実行します。フィジカル AI は、機械をより適応性の高いものにし、センサ情報を解釈し、変化する条件に反応し、経験から学習できるようにすることを目的としています。例えば、組立ラインで働くロボットは、異なる角度で提示される部品を扱う必要があるかもしれませんし、自律型倉庫ロボットは、変化するレイアウトの中でナビゲートし、障害物を回避しなければなりません。ヒューマノイドロボットは、人間向けに設計された環境で未知の物体を操作し、タスクを実行するという、より広範な課題に直面します。これらのシステムを訓練するには、強力な AI モデルだけでなく、大量の訓練データ、現実的なシミュレーション、計算リソース、そして訓練済みモデルを物理ハードウェアに移行する方法が必要です。

AWS によると、この新しいツールチェーンはこれらの要素を共通の開発ワークフローに統合し、企業がフルスタックのソリューションを選択したり、既存プロジェクトのために個別のコンポーネントを選択したりできるようにしています。

ツールチェーンの構成

このツールチェーンは、フィジカル AI 開発プロセスの 5 つの段階を中心に構成されています。合成データ生成：AI が生成する環境により、現実世界であらゆる状況を記録することなく、追加の訓練シナリオを作成。モデル訓練：システムが人間のデモンストレーションとシミュレーションでの練習から学習。シミュレーションと検証：開発者が実機で実行する前に、仮想環境でロボットの振る舞いをテスト。エッジ導入：最適化された AI モデルが導入先のハードウェア上で実行され、継続的なクラウド接続なしでリアルタイムの意思決定を可能に。継続的改善：運用中に収集されたデータを訓練にフィードバックし、開発者が将来の導入に向けてモデルを改善できるように支援。

このプラットフォームは、モデル訓練用の Amazon SageMaker、シミュレーション用の Amazon EC2 GPU インスタンス、エッジ導入用の AWS IoT Greengrass、オーケストレーション用の Amazon Bedrock AgentCore などの AWS サービスを組み合わせています。また、ロボットシミュレーション用の Isaac Sim、強化学習用の Isaac Lab、ヒューマノイドロボット用の Isaac GR00T、合成環境生成用の Cosmos などの NVIDIA ツールも統合しています。

その目的は、これらの段階間の摩擦を減らすことです。エンジニアリングチームは、開発パイプラインの各部分を個別に組み立てて維持する代わりに、共有アーキテクチャを使用し、それを自社のハードウェアとアプリケーションに適応させることができます。

Amazon によると、このツールチェーンは同社自身のロボット運用の経験を活かしたもので、同社はネットワーク内に 100 万台以上のロボットがあると報告しています。この経験は、ロボット群の調整から導入先ハードウェア上のソフトウェア維持まで、大規模な自律機械の運用における実践的な課題を明らかにしました。同社は、フィジカル AI に取り組むいくつかの開発者を紹介しています。NEURA Robotics は認知ヒューマノイドロボットを開発し、RLWRLD は巧緻な操作のための基盤モデルを構築し、Config はロボット行動の訓練データを収集・拡張するパイプラインを確立しています。

製造業者にとって、潜在的な応用範囲は、新しい組立タスクに適応するロボットアームから、資材を移動し生産を監視する自律機械まで多岐にわたります。しかし、このツールチェーンは開発プラットフォームであり、完成品のロボットではないため、その可用性がシミュレーションで訓練されたモデルが工場や倉庫で確実に動作することを保証するものではありません。

シミュレーションと現実の課題

ロボット工学における核心的な課題の 1 つは、シミュレーションから現実の運用への移行です。仮想環境で成功したモデルが、実機に導入された際に、予期せぬ摩擦、照明の変化、センサノイズ、物品取り扱いのばらつきに遭遇する可能性があります。シミュレーション、訓練、導入、フィードバックを 1 つのワークフローに組み合わせることで、AWS と NVIDIA はこの移行をより管理しやすくすることを目指しています。このツールチェーンには、導入が拡大するにつれて企業がロボットを構成、保護、更新するのを支援するフリート管理機能も含まれています。エンジニアにとって、その意義は単一の新しい AI モデルというより、フィジカル AI システムを反復開発するために必要なインフラストラクチャにあります。

項目	仕様
シミュレーション環境	合成データ生成
学習方式	人間のデモンストレーションとシミュレーション練習
テスト方式	仮想環境でのテスト
導入方式	エッジ導入
データフィードバック	継続的改善

フィジカル AI 開発の将来的な課題と機会

ロボット技術の発展に伴い、企業は物理環境と相互作用できるシステムをますます必要としています。Amazon のオープンソース開発プラットフォームは、必要なツールを提供するだけでなく、ロボットが実際の運用で直面する課題に対処するための統合も行っています。これには、シミュレーションから現実の運用への移行という、重要な技術的課題が含まれます。成功するフィジカル AI システムには、大量の訓練データと効果的なシミュレーション環境が必要であり、それによって現実世界での信頼性を確保します。このような開発プラットフォームは、ロボット技術の進歩を加速し、各業界の自動化プロセスを推進するのに役立ちます。