06リファレンスフレームワーク
工場の外のロボティクスのための共通言語
非産業用のあらゆるロボットシステム(ヒューマノイド、四足歩行ロボット、自律走行車、ドローン)を、技術成熟度、運用上の安全性、投資収益率の観点から分類するための4つの軸です。
最終確認: 2026-11方法論と出典 →
01 · 対象範囲と概要
ロボットのために設計されていない場所のためのロボティクス
このフレームワークは、管理された産業環境の外で稼働するプラットフォームを対象とします。極端な動的環境、構造化されていないインフラ、過酷な条件や変化する条件です。技術の進展を4つの物理的形態に分けて分類しています。
- HUM
ヒューマノイド
人型のシステム(二足歩行または車輪付きベース)で、器用なマニピュレーションを備え、人間向けに設計された道具やインフラを使うことを想定しています。
エクスプローラーに12件
- MAN
モバイルマニピュレーター
1本以上のアームを搭載した車輪式または履帯式のベース:人型ではなく、箱の移動、トラックへの積み下ろし、部品のピッキングを行います。
エクスプローラーに2件
- QDR
四足歩行ロボット
関節付きの脚を持つプラットフォームで、不整地、階段、岩場で高い牽引力と安定性を発揮します。
エクスプローラーに7件
- UGV
地上車両
貨物輸送、物流、長距離点検のための車輪式または履帯式のシステム。
エクスプローラーに6件
- UAV
ドローン・空中ロボット
回転翼または固定翼で、監視、垂直面の点検、迅速な物流、スウォームに用いられます。
エクスプローラーに6件
02 · 戦略的目的
ベンダーのカタログから、業務上のニーズへ
業務上のギャップを埋める
ロボティクスベンダーにできることと、業務が本当に必要としていることを結びつけます。
評価基準を標準化する
あらゆるプラットフォームを3つの問いで評価するための共通の語彙を提供します。
- 成熟度
- どの自律レベルを、どの運用領域で継続的に達成できるか。
- 安全性
- 人はいつ、どのように介入するのか。通信リンクが途切れたら何が起きるのか。
- ROI
- 総所有コストを含めて、手作業による運用と比べていつ投資を回収できるか。
4つの軸
すべてのロボットを4つの座標で記述する
これらは互いに独立したカテゴリカルな次元です。ドローンが高い自律性を持ちながら協調機能を持たないこともあれば、ヒューマノイドが豊かな知覚を備えながら遠隔操作で制御されることもあります。
軸1 · 自律性と意思決定
遠隔操作から分散型自律までの6段階
レベルは、カタログ上の最大値ではなく、実際の導入における典型的な運用上の自律性を表します。レベルを選択すると、エクスプローラー内で現在そのレベルにあるプラットフォームが表示されます。
この0〜5のスケールは、本サイトが非産業用ロボティクス向けに調整したフレームワークです。SAE J3016の運転自動化レベルとODDの概念を参考にしていますが、公式の規格ではなく、認証の代わりになるものでもありません。[DIN Media, 2026] 基本的な用語(自律性、サービスロボット)は、ISO 8373の標準化された用語に従っています。[ISO, 2021]
L4
高度自律
限定された運用設計領域(ODD)内で、人間の介入なしに継続的に稼働します。
重要な概念:運用設計領域(ODD)
この概念はSAE J3016に由来します。ISO 34503はODDを、自動運転システムが安全に機能するよう設計された運用条件と定義し、固定的なシナリオ要素(道路、信号機)、環境条件(天候、通信接続)、動的要素(交通)によって記述します。本フレームワークでは同じ考え方をロボットに適用します。レベル4は明示されたODDの中でのみ意味を持ち、同じロボットでも、既知の変電所ではレベル4、未知の地形ではレベル2となることがあります。[ISO, 2023]
軸2 · ネットワークとマルチロボット協調
孤立したロボットからスウォームインテリジェンスへ
通信トポロジーによって、スケール、レジリエンス、そしてノードが故障したときに何が起きるかが決まります。
スタンドアロン
12件のプラットフォームロボット間通信なし。各ユニットが単独で稼働します。
- ネットワークに依存しない
- スケール = オペレーター数
- 障害は個体内にとどまる
協調型
21件のプラットフォーム基地局または中央サーバーを介して状態とテレメトリを共有します。
- 基地局またはクラウド
- フリートの集中計画
- 単一障害点
協働スウォーム
0件のプラットフォームピアツーピアのメッシュ網上での分散型意思決定。タスクは各ノードの能力と位置に応じて割り当てられます。
- ピア間のメッシュ/MANET
- 動的なタスク割り当て
- 段階的な性能低下
軸3 · 知覚と環境観測
すべてを見通すセンサーはない:鍵はフュージョン
どのモダリティにも死角があります。成熟したプラットフォームは複数のモダリティを組み合わせ、暗闇、霧、粉塵、GNSSが使えない状況でも、自己位置推定と検知を維持します。
3D LiDAR
11/33- + 強み:
- 昼夜を問わない高精度な3Dジオメトリ
- − 限界:
- コスト。濃霧や雨で性能が低下
ステレオカメラ/VIO
10/33- + 強み:
- 軽量。GPSに依存しないVIOの基盤
- − 限界:
- 照明とテクスチャに依存
RGB-D深度カメラ
9/33- + 強み:
- 近距離での高密度な深度
- − 限界:
- 到達距離が短く、日光に弱い
RGBカメラ
22/33- + 強み:
- 視覚モデルに豊富なセマンティクスを提供
- − 限界:
- 直接の深度情報なし。暗闇では機能しない
サーマル/赤外線
10/33- + 強み:
- 熱を検知:人、漏洩、ホットスポット
- − 限界:
- 低解像度。色やテクスチャはない
mmWaveレーダー
2/33- + 強み:
- 霧・粉塵・煙を透過し、速度を計測
- − 限界:
- 角度分解能が低い
GNSS/RTK
10/33- + 強み:
- RTKによりセンチメートル級のグローバル位置
- − 限界:
- 地下や電波妨害下では使えない
IMU
22/33- + 強み:
- 高頻度の動き検出。常に利用可能
- − 限界:
- 補正がないとドリフトが増大
2D LiDAR
0/33- + 強み:
- 屋内の平面計測に安価で信頼性が高い
- − 限界:
- 1平面のみ:高い位置や低い位置の障害物を検知できない
触覚/ハプティクスセンサー
6/33- + 強み:
- マニピュレーション中の力と滑り
- − 限界:
- 接触時にしか情報を得られない
超音波
2/33- + 強み:
- 安価な近接検知。透明な面にも対応
- − 限界:
- 到達距離が短く、精度が低い
ToF(飛行時間)センサー
1/33- + 強み:
- 安価でコンパクトな近距離測距
- − 限界:
- 到達距離が短い。強い日光や暗い面の影響を受ける
音響/漏れ検知用超音波
3/33- + 強み:
- ガスや空気の漏れ、軸受の故障
- − 限界:
- 産業環境の周囲騒音
ガス検知
2/33- + 強み:
- 危険ガスの濃度
- − 限界:
- 点での計測。校正が必要
PTZズームカメラ
4/33- + 強み:
- 光学ズームで離れた計器を読み取る
- − 限界:
- 視野が狭い
センサーフュージョンとSLAM
自己位置推定と地図作成を同時に行うSLAMにより、ロボットはGPSなしで自分の位置を把握できます。典型的なパイプラインは5つの段階で構成されます。
- 01センサー
LiDAR、カメラ、IMU、車輪または脚のオドメトリ
- 02オドメトリ(フロントエンド)
特徴抽出と、ビジュアル慣性(VIO)またはLiDARによるオドメトリ
- 03フィルター
推定値を高頻度で融合する拡張カルマンフィルターまたはアンセンテッドカルマンフィルター(EKF/UKF)
- 04最適化(バックエンド)
ドリフトを補正するファクターグラフ最適化とループクロージング
- 05地図 + 姿勢
一貫性のある3D地図と、その中でのロボットの位置
GPSに依存しない自己位置推定(GPS-denied)
トンネル、鉱山、屋内、あるいは電波干渉下では、GNSSは使えなくなります。VIOは連続するフレームをIMUと照合して動きを推定し、LiDAR SLAMは点群を位置合わせし、ループクロージングは一度訪れた場所を認識して蓄積したドリフトを打ち消します。
軸4 · 制御モードと運用モード
FPVパイロットから学習済みポリシーへ
制御モードは、挙動のうちどれだけをエンジニアが記述し、パイロットが実行し、ニューラルネットワークが学習しているかを示します。
- 01
FPV操縦
狭い空間での操縦のための低遅延映像リンク(<50 ms)。パイロット自身が知覚システムとなります。
1/33 - 02
遠隔操作
ロボットは姿勢を安定させて自らを保護し、人があらゆる動作を決定します。模倣学習のためのデータ収集の基盤となります。
25/33 - 03
監視付きミッション
ロボットが記録済みまたはスケジュールされたミッションを繰り返し、オペレーターはコンソールから例外を承認します。
27/33 - 04
BVLOSフリート
1人のオペレーターが目視外で複数のユニットを監視します。検知・回避(detect-and-avoid)と規制当局の許可が必要です。
5/33 - 05
学習済みポリシー(RL/VLA)
強化学習または視覚・言語・行動(VLA)モデルで訓練されたネットワーク。歩行やマニピュレーションには、物理情報ニューラルネットワーク(PINN)が併用されることも多くあります。
14/33
Sim-to-real:シミュレーションで訓練し、現実世界に展開する
移動制御のポリシーは、現実環境でも機能するよう、ドメインランダム化(摩擦、質量、遅延、センサーノイズ)を施した並列シミュレーター上で数百万ステップにわたって訓練されます。残るギャップは、現場でのファインチューニングと遠隔操作データによって埋めます。
- 大規模シミュレーション
- ドメインランダム化
- 展開
- 現場での調整
実践への応用
ベンダー評価にタクソノミーを適用する方法
各軸は検証可能な問いに置き換えられます。用意されたデモではなく、自社に近い領域での実運用のエビデンスを求めてください。
- 自律性
問い: 公表されている自律レベルは、具体的にどの運用設計領域(ODD)で実証されたのか。
求めるべきエビデンス: 自社と同等の条件下での実ミッションの記録。1時間あたりの人による介入回数とその原因を含むもの。
- 協調
問い: 基地局やクラウドとのリンクが途切れたとき、各ロボットはどう動作するのか。
求めるべきエビデンス: 切断時の挙動を記した文書。どのタスクが継続し、どれが中断され、ミッションがどのように再開されるか。
- 知覚
問い: カタログではなく提案された構成に、どのセンサーが含まれるのか。GNSSなしでどのように自己位置を推定するのか。
求めるべきエビデンス: 粉塵、雨、低照度、反射のある条件での試験結果と、自社の施設で得られた自己位置推定の精度。
- 制御
問い: ミッションのどの部分が遠隔操作なのか。学習済みポリシーはどのように訓練され、検証されているのか。
求めるべきエビデンス: 検証プロセス(シミュレーションと実データ)、アップデートの頻度、バージョンをロールバックする方法。
- 仕様
問い: 各数値はどのような条件で測定されたのか。実際のペイロードを搭載した場合の稼働時間はどれだけか。
求めるべきエビデンス: 測定条件(ペイロード、速度、温度)を記載した仕様シートと、自社の構成での試験。
可視化の方法論
レーダーチャートを使わない理由
このタクソノミーの軸は定性的で非線形です。レーダーチャートはそれらに恣意的な数値を割り当て、目が読み取る多角形の面積は、軸の並び順を変えるだけで変化してしまいます。
同じデータ、異なる軸の順序
同じロボットが、ある順序では別の順序より「高性能」に見えてしまいます。
推奨する方法