JA
検索
写真:The Robot Report

AGIBOTのG2ロボット、上海のコンビニ試験で24時間に1730件のタスクを完了

営業中の店舗での24時間試験

The Robot Reportの報道によると、AGIBOTは上海市徐匯区で営業中のコンビニエンスストアにおいて、同社の車輪型の人型ロボット「G2」6台による24時間の試験を実施した。ロボットは接客やコーヒーの準備から、商品の補充、清掃までの計1730件のタスクを完了した。6台のうち4台が最終的な性能評価に合格した。

試験は11月2日午前10時に始まり、11月3日午前10時に終了した。同報告によると、試験はオンラインプラットフォームでライブ配信され、視聴者は200万人を超えた。

今回の試験は、AGIBOTが10月22日に始めた技術展示会「AI WAVE」の締めくくりとして行われた。展示会では、ロボティクス向けのデータセット、シミュレーションツール、AIモデル、運用向けのハードウェアとソフトウェアが公開された。店舗での試験は、これらの技術を実際の環境で組み合わせ、長期間にわたってロボットが日常業務をどのようにこなすかを示すことが狙いだった。別途、同社は2026年9月に、2万台目のロボットが生産ラインを出たと発表した。

各ロボットの役割と試験結果

各ロボットにはそれぞれ固有の役割が割り当てられた。顧客の要望に対応するものもあれば、棚の確認と補充を担当するものもあった。ほかは、コーヒーの準備、会計と温かい食品の提供、店内の清掃を行った。

24時間の間に、ロボットは接客対応を683件、商品の受け渡しを369件こなした。また、コーヒーの注文147件と朝食126食を準備し、棚の点検と補充の作業を277件行い、テーブルの清掃を128回実施した。

試験は4つの時間帯に分けて行われた。昼のピーク、夕方のピーク、深夜の営業、翌朝の朝食のピークである。報告によると、時間帯ごとに異なる課題があった。混雑時の要望への対応から、夜間も店舗の運営を続けることまでが含まれる。

評価者は各ロボットについて、どれだけ長く稼働を続けたか、タスクを完了できたか、顧客の評価、応答の速さ、予期せぬ事態への対応方法を採点した。報告によると、4台が最終審査を通過した一方、残りの2台は一部の要件を満たせなかった。

評価者2人は、顧客対応で想定される状況に基づく実践テストも実施した。1つ目では、ロボットが外見の似た商品を見分けられるかを確かめるため、通常のコカ・コーラとシュガーフリーのコカ・コーラを注文した。2つ目では、チューインガムのパックを本来の位置からずらし、元の場所に戻すよう指示した。

ナビゲーションを試すため、評価者は通路に人と箱を置き、ロボットがその障害物を検知して迂回できるかを確認した。

コンビニが難しい試験場となる理由

報告は、コンビニはレイアウトがコンパクトで、標準的な手順に沿ったタスクが多いため、ロボットにとっては単純に見えることがあると指摘する。それでも、商品をつかむこと、棚に補充すること、食品を作ることには、状況の小さな変化が頻繁に起きる中で対応する必要があり、機械にとっては難しい。

報告は具体例を挙げている。微妙に角度の異なる状態で吊り下がった袋入りキャンディーは、隣の商品を動かさずにつかむのが難しい。ケーキの一切れのような繊細な商品は、落としたり傷つけたりしないよう、握る力を慎重に制御する必要がある。

報告によると、実際の店舗は研究室とは大きく異なる。客が通路を歩き、商品が手に取られては戻され、位置、角度、パッケージもさまざまなため、同じ作業を繰り返しても、毎回同じ結果になるとは限らない。

報告によると、G2ロボットはこうした課題に対応するための複数の能力を示した。事前に設定された座標だけに頼るのではなく、ライブの視覚入力を使って、置き場所がずれた商品を見つけ、指定の棚の位置に戻した。

補充を担当していた1台は、棚の隙間に気づき、指示がなくても商品を補充した。清掃エリアでは、別のロボットがこぼれたものと天板に印刷された模様を見分け、適切な道具を選んだ。

報告は、これらの作業は単一の動作を超えるものだったと述べている。周囲の状況の認識、タスクに応じた判断、そして状況の変化に応じた動作の調整を必要としたという。

Genie Masterと運用からの学習

試験では、AGIBOTの身体性AIエージェント・フレームワーク「Genie Master」も検証された。報告によると、タスクの調整、エラーの修正、運用からの学習について試験が行われた。

Genie Masterは、6台すべてのロボットを調整し、その動作を後の分析と学習につなぐ共通の枠組みを提供する。報告によると、計画、実行、フィードバックの連携は「Embodied Execution Protocol(EEP)」を通じて行われる。

このシステムは、各ロボットの能力と店舗の状況に応じて作業を振り分ける。その後、ロボットは行動ポリシーと、リアルタイムで認識した状況に基づいて作業を実行する。各試行の結果はシステムに戻され、検証と不具合の診断に用いられる。

このフレームワークは、過去の試行からも学習する。成功した実行と失敗した実行を振り返ることで、類似のケースに役立つ経験を長期記憶として保持できる。有効な調整は学習データに変換され、行動ポリシーの改良に使われる。

今後の展開

AGIBOTは、運用から得た知見を、G2の精密な扱いを要する作業の精度向上にも活用している。比較的静かな夜間には、追加の練習も行っているという。報告によると、こうした取り組みは、正確な取り扱いが求められるタスクを対象としている。

同社は今後、試験の対象をさらに多くの作業と実際の現場に広げる方針だ。運用からのフィードバックを生かし、機械の信頼性と柔軟性を高める。報告によると、AGIBOTは、どの能力や作業手法が作業間で転用でき、他の現場にも展開できるかも検討する。報告は、これらの成果が、現場でより安定し、拡張しやすい活用を目指す次の段階を形作ると示唆している。

出典