【要約】【SusHi Tech Tokyo 2026】自作双腕ロボット×VLAで布畳みロボを展示した話 [Qiita_Trend] | Summary by TechDistill
> Source: Qiita_Trend
Execute Primary Source
// Problem
KUPACの学生チームは、自作双腕ロボットILOHAを用いた布畳みタスクの開発において、以下の課題に直面した。
- ・布の柔軟性により、把持位置の僅かなズレが挙動の失敗に直結する。
- ・テレオペレーションによるデータ収集時、エピソードの品質に大きな差が出る。
- ・展示会場の照明やカメラ角度の変化により、学習済みモデルの性能が低下する。
- ・コネクタの緩みやUSB帯域不足といった、ハードウェア・通信面の不安定さが生じる。
// Approach
開発チームは、VLAモデルの選定とデータ品質を考慮した学習戦略、および現場適応手法を採用した。
- ・柔軟物操作に強いX-VLAをモデルとして採用した。
- ・データ品質（High/Low）をプロンプトに含め、低品質データも学習に活用した。
- ・展示環境の変化に対し、現地で収集した50エピソードを用いて追加Fine-tuningを行った。
- ・USBカードの増設や配線の固定により、通信と物理的な安定性を確保した。
// Result
本取り組みにより、モデルの性能向上と環境変化への適応の両面で成果が得られた。
- ・X-VLAは、ベースラインのACTよりも安定した布の把持と折り畳みを実現した。
- ・追加Fine-tuningにより、展示会場での成功率を6〜7割から9割以上に改善した。
- ・低品質データを活用することで、効率的な学習データの利用が可能となった。
Senior Engineer Insight
> Physical AIの実装では、モデルの高度化以上に「物理層の堅牢性」が重要である。USB帯域やコネクタの信頼性は、システム全体の可用性を左右する。また、環境変化への適応として、現場での軽量な追加学習をパイプラインに組み込む設計は、実運用において極めて現実的かつ強力な戦略である。