ロボットに「つまむ」「ねじる」「差し込む」といった器用な作業を覚えさせる方法として、模倣学習（Imitation Learning）が注目されています。人が実際に操作したお手本のデータを集め、そのデータからロボットの動かし方を学習させる手法です。本記事では、模倣学習のためのデータをどう集めるのか、特に「手」のデータに焦点を当てて解説します。
模倣学習とは
模倣学習は、報酬を設計して試行錯誤させる強化学習とは異なり、人のお手本（デモンストレーション）を大量に集めて学習します。複雑な作業ほど報酬の設計が難しいため、「人がやって見せる」ほうが効率的な場面が多くあります。一方で、学習の質はお手本データの質と量に大きく左右されます。
手の操作データ収集が難しい理由
- 自由度が多い：人の手は20以上の自由度を持ち、指一本一本の関節角度を正確に記録する必要がある
- 触覚が重要：どれくらいの力で、どこに触れているかが分からないと、ロボットは同じ作業を再現できない
- リアルタイム性：遠隔操作でデータを集める場合、遅延が大きいと操作者が自然に動けない
代表的な収集方法
手の操作データの集め方には、主に次の3つがあります。
- カメラによる手の姿勢推定：機材は手軽だが、指が隠れると精度が落ち、触覚は取れない
- データグローブ：手に装着したセンサーで、指の動きや接触を直接記録する
- 遠隔操作（テレオペレーション）：データグローブなどでロボットハンドを動かし、ロボット側の動作・センサーデータをそのまま記録する
実際の研究では、データグローブで人の手の動きを取り、それを多指ロボットハンドにリアルタイムで反映させる「遠隔操作によるデータ収集」がよく使われます。ロボット自身の関節や力の情報がそのまま学習データになるため、人とロボットの体の違いを吸収しやすいのが利点です。
データグローブを選ぶポイント
- 触覚センサーの密度と範囲：指先だけか、手のひら全面か。検出点数と分解能
- 手の位置・姿勢の精度：指先の位置精度（mm 単位）と姿勢精度
- 遅延：遠隔操作に使うなら、動作からデータ出力まで十数ミリ秒以内が目安
- ソフトウェア：Python SDK や ROS 2 に対応し、既存の学習パイプラインに組み込めるか
- ロボットハンドとの連携：組み合わせるロボットハンドとのマッピングが用意されているか
例として、Wuji Glove は手のひら全面に526点の触覚センサーを持ち、電磁式トラッキングで指先位置精度2mm以下、遅延10ms以下（有線）でデータを出力します。20自由度のロボットハンド Wuji Hand 2 と組み合わせることで、操作・再現・学習までを一貫して行えます。
- Wuji Glove：触覚付きデータグローブ（526点の触覚センサー、電磁式トラッキング）
- Wuji Hand 2：20自由度・全関節直接駆動のロボットハンド
データ収集から学習までの流れ
- キャプチャ：データグローブで人の手の動きと触覚を取得
- マッピング：人の手の動きをロボットハンドの関節にリアルタイムで変換
- 実行：ロボットハンドが同じ動作を再現し、ロボット側のデータも記録
- 学習：集めたデータで模倣学習モデルを学習し、シミュレーション（MuJoCo、Isaac Sim など）と実機で検証
まとめ
模倣学習の成果は、お手本データの質で決まります。特に器用な手作業では、指の動きだけでなく触覚まで含めて記録できるかが重要です。HumansX は Wuji Technology の日本正規代理店として、データグローブとロボットハンドの選定から導入、技術サポートまで日本語でご支援します。デモのご相談は、お気軽にお問い合わせください。