ゆるふわフィジカルAI
フィジカルAIの最大のボトルネックは、モデルでもGPUでもなくデータです。言語AIはインターネット全体を学習できましたが、「物をつかむ感覚」はネット上に落ちていません。誰かがロボットを動かして作るしかない — それがテレオペです。
テレオペとは
人間がロボットを操作して、その動きを記録すること。記録された「見た映像」と「その時の関節の動き」のペアが、AIの教科書になります。
データが学習になるまで
人が操作
リーダーアーム/VR
記録
映像＋関節角度
模倣学習
AIが真似を覚える
操作方式の選び方
| 方式 | コスト | 直感性 | 向いている用途 |
|---|---|---|---|
| リーダーアーム | 中（2〜3万円） | ◎ 非常に高い | アーム操作。SO-101の定番 |
| VRコントローラ | 中 | ○ 高い | ヒューマノイドの両手作業 |
| ゲームパッド | 低（3,000円〜） | △ 低い | 移動ロボット、簡単な動作 |
| キーボード | 0円 | ✕ かなり低い | 動作確認用。学習データには不向き |
同じ形のアームを手で動かす「リーダー・フォロワー方式」が最も直感的で、良いデータが取れます（SO-101組み立てガイド参照）。
何エピソード集めればいい？
目安はこうです。
30〜50回
とりあえず動く（同じ位置なら成功）
100〜200回
実用ライン（位置が変わっても対応）
500回〜
頑健（照明や物体が変わっても動く）
回数より「ばらつき」
同じ位置で500回やるより、物の位置・向き・照明を毎回変えて100回のほうが賢くなります。AIは「見たことのある状況」しか対応できないので、多様性こそが価値です。
良いデータ・悪いデータ
良いデータ
- 動きが滑らか（人間が迷わず操作できている）
- 開始位置と物体位置に適度なばらつきがある
- 失敗した回はきちんと除外している
悪いデータ
- 途中で操作をためらい、カクついている
- 毎回まったく同じ配置（AIが「暗記」してしまう）
- 失敗エピソードが混ざったまま（失敗を学習してしまう）
失敗データの扱い
基本は削除ですが、「失敗してから復帰する」データはむしろ価値があります。掴み損ねてやり直す動きを学べば、本番でも復帰できるロボットになるからです。ただの操作ミスは削除、意味のあるリカバリは残すが判断基準です。
実際のコマンド（LeRobot）
# 50エピソード記録する
lerobot-record \
--robot.type=so101_follower --robot.port=/dev/ttyUSB0 \
--teleop.type=so101_leader --teleop.port=/dev/ttyUSB1 \
--dataset.repo_id=あなたのID/pick_place \
--dataset.num_episodes=50 \
--dataset.single_task="赤いブロックを箱に入れる"
記録中は右矢印キーで「次のエピソードへ」、左矢印キーで「今のを破棄してやり直し」ができます。失敗したらその場で破棄するのが後々のデータ整理を楽にするコツです。
収集を続けるコツ
正直に言うと、テレオペは地味で疲れる作業です。続けるための現実的な工夫を挙げます。
- 1セッション30分まで。集中力が切れたデータは品質が落ちる
- タスクを小さく切る。「片付け」ではなく「1個つかんで箱に入れる」
- 音楽をかける。本当に効きます
- データは公開する。Hugging Face Hubに上げれば世界中の人が使え、あなたの実績にもなります
データセットを公開する
# Hugging Face Hubにアップロード
huggingface-cli login
lerobot-dataset-push --repo-id=あなたのID/pick_place
フィジカルAIはデータ不足が業界共通の課題なので、質の良いデータセットの公開は歓迎されます。転職ポートフォリオとしても強い実績になります（ポートフォリオの作り方参照）。
まとめ
- フィジカルAI最大のボトルネックはデータ。作るしかない
- 実用ラインは100〜200エピソード。回数よりばらつきが重要
- 良いデータ＝滑らか・多様・失敗除外済み
- 収集は疲れる作業。小さく刻んで、公開して価値に変える
次の一歩 🌸
集めたデータで基盤モデルを鍛えるならIsaac GR00T入門、実機を持っていない人はLeRobot入門の公開データセットから試せます。