研究チームは、ロボット学習のために、より自然な両腕と手の動きに関するデータをどのように収集できるでしょうか？

身体化されたAIシステムは、相互作用を通して学習します。ロボットに、物を拾う、置く、組み立てる、仕分ける、あるいは道具を使うといった動作を教えるには、最終結果だけでなく、その結果を生み出した一連の動作も記述したデモンストレーションデータが必要となります。

これは、両腕操作や器用な操作においては特に困難になります。操作者は2本の腕を協調させ、関節の位置を継続的に調整し、多くの場合、同時に個々の指を制御する必要があります。従来のコントローラーでもロボットを操作できますが、自然な人間の動作をボタン、ジョイスティック、または個別のコマンドに変換する必要がある場合があります。ビデオは動作を記録できますが、関節レベルの完全な動作データを直接提供することはできません。

ExoArm-7 Proウェアラブル外骨格は、人間の腕の動きを直接捉え、それをロボットの遠隔操作、模倣学習、身体化されたAI、VLA開発のための高周波データに変換することで、このギャップを埋めるように設計されています。

両手を使った動作の実演データを収集するのが難しいのはなぜですか？

片腕で行う作業でも、位置、向き、タイミング、接触といった要素が関わってきます。両腕で行う作業では、両側の腕が作業全体を通して協調して動作する必要があるため、データ収集の問題はさらに複雑になります。

よくある例をいくつか考えてみましょう。

• 片手で容器を持ち、もう片方の手でそれを開ける
• 2本の腕が一緒に大きな物体を持ち上げたり、位置を変えたりする
• 片手で部品を固定し、もう片方の手で工具を使用する。
• 物体が片方の手からもう一方の手に移される
• 両手で柔軟なアイテムを整理したり折りたたんだりする

これらのデモンストレーションが実用的であるためには、システムは関節の微妙な変化を低遅延で捉える必要がある。また、装着型デバイスが作業者の自然な動きを大きく変えることなく、作業者が何度も同じ作業を繰り返せるだけの快適さも維持しなければならない。

ExoArm-7 Proはどのようにして人間の腕の動きを捉えるのですか？

ExoArm-7 Proは、各腕に7つのパッシブジョイントを備えた14自由度（DOF）のデュアルアーム構成を採用しています。オペレーターが動くと、装着型構造がその動きに追従し、対応するジョイントの位置を記録します。

各関節には自社開発のエンコーダーモジュールが使用されており、14ビットの関節データによってきめ細かな位置フィードバックが得られます。これにより、システムは大きな動きだけでなく、小さな角度変化も検出することが可能になります。

遠隔操作ワークフローの場合、取得した位置情報をロボットアームにマッピングすることで、ロボットがオペレーターの動きに追従するようにできます。学習ワークフローの場合、同じ動作情報を構造化された人間デモンストレーションデータセットの一部として使用できます。

リアルタイム遠隔操作に十分な速さで応答できるか？

ロボットが物体とインタラクションしている際に、オペレーターがロボットの動きを修正する必要がある場合、応答性は不可欠です。データの到着が遅すぎると、ロボットはオペレーターとの連携が途切れたように感じ、精密な操作の制御が難しくなります。

ExoArm-7 Proは、最大1000Hzのサンプリングレートとミリ秒単位の低遅延制御に対応しています。この高周波データストリームにより、アーム位置の急激な変化を正確に捉え、より応答性の高い人間とロボットの動作マッピングを実現します。

デュアルIMUセンシングは、関節エンコーダーに加えて、動作情報と姿勢情報を提供します。標準システムには、背面に取り付けられたIMUと外部IMUの両方が含まれており、オペレーターの動きと姿勢を解釈するための追加データを提供します。

装着型外骨格はオペレーターの行動を制限するのか？

モーションキャプチャシステムは、作業の主役になることなく、ユーザーの動きに追従するべきである。システムが重すぎたり、不快だったりすると、操作者は姿勢を変えたり、動作を短くしたり、繰り返しのデモンストレーション中に動作の一貫性を失ったりする可能性がある。

ExoArm-7 Proは重量2.6kgで、軽量かつ人間工学に基づいた構造を採用しています。各エンコーダージョイントモジュールは70g未満でありながら、最大10N・mの荷重トルクに対応します。調整可能な機械的制限により、ジョイントモジュールを装着構造や動作要件に合わせて構成できます。

この設計により、研究室、研究センター、ロボット開発環境における繰り返しデータ収集セッションにおいて、システムがより実用的になる。

指先レベルの操作が必要な作業の場合はどうすればよいでしょうか？

アームの軌跡はロボットを物体に導くことはできるが、指がどのように物を掴むか、あるいは道具を操作するかは記述できない。そのため、器用な手の動きを伴う作業には、別の種類の動作データが必要となる。

ExoArm-7 Proは、オプションのExoGlove Pro遠隔操作データグローブと組み合わせることができます。このグローブは5つのVetraSenseセンサーを使用して25自由度（DOF）の完全な手の動きを再現し、必要なセンサーの数を減らしながら、指の詳細な動き情報を保持します。

各指先は6自由度トラッキングに対応しており、システムは位置と向きの両方を記録できます。調整可能な振動フィードバックを使用することで、遠隔操作中にオペレーターに操作の合図を提供することも可能です。

ExoGlove Proは最大180Hzのデータ出力に対応し、10ms未満の有線接続遅延をサポートします。そのSDKとモーションリターゲティングアルゴリズムは、人間の手の姿勢を様々な器用なハンドやロボットプラットフォームに変換するのに役立ちます。

この手袋は、以下のようなデータセットに特に適しています。

• 精密な把持
• 工具操作
• 部品の組み立て
• オブジェクトの回転と向きの変更
• 柔軟な物体の操作
• 腕、手、指の協調的な動き

ExoGlove Proは別売りで、標準のExoArm-7 Proパッケージには含まれていません。腕レベルのデータのみを必要とするチームは標準システムを使用できますが、器用な操作を伴うプロジェクトでは、拡張機能としてグローブを追加できます。

このシステムは既存のロボットプラットフォームにどのように適合しますか？

ロボット学習チームが全く同じハードウェアとソフトウェアスタックを使用することは稀である。ある研究室では研究用アームを使用し、別の研究室では移動式の双腕ロボットを使用し、また別の研究室では特注の器用なハンドを使用するといった具合だ。

ExoArm-7 Proには公式SDKと無料の統合サポートが付属しており、開発者は取得したデータを自社のプラットフォームに接続できます。ビジュアルソフトウェアインターフェースは、Windows、macOS、Linuxに対応しています。

カスタムコントロールハンドルとオプションのグローブアダプターにより、さまざまな操作方法に対応できる柔軟性が向上します。手を使ったアプリケーション向けには、マルチプラットフォームSDKのサポートとモーションリターゲティングアルゴリズムにより、人間の動作データをさまざまな関節構造を持つロボットに適合させることができます。

これはつまり、チームはExoArm-7 Proを、1台のロボットに縛られた閉鎖的なシステムとしてではなく、より広範な遠隔操作およびデータパイプラインの一部として扱うことができるということだ。

収集したデータはどこで利用できますか？

同じウェアラブルワークフローは、ロボット開発の複数の段階をサポートできる。

リアルタイムロボット遠隔操作

オペレーターは、自然な上肢の動きによって2本のロボットアームを制御できるため、各関節ごとに個別のジョイスティック操作を行う必要がなくなる。

人間によるデモンストレーションコレクション

研究者は、被験者が作業を行う際のタイミングや両腕の協調性など、作業内容を記録することができる。

模倣学習

繰り返し行われるデモンストレーションはデータセットとして整理することができ、それによってロボットは人間の手本から操作方法を学ぶことができる。

VLAデータセット開発

腕の動きやオプションの手の動きに関するデータは、他のセンサー入力やタスク指示と組み合わせて、視覚・言語・行動（VLA）研究パイプラインの一部として活用できます。

ロボット教育

大学や研究機関は、このシステムを利用して、動作リターゲティング、人間とロボットの相互作用、遠隔操作、身体化された知能などを、単一の開発プラットフォーム内で研究することができる。

適切な構成を選択する

標準のExoArm-7 Proパッケージには、装着型外骨格、背面に取り付けるIMUセンサー、および外部IMUセンサーが含まれています。この構成は、両腕の動作キャプチャ、ロボットアームの遠隔操作、および上肢のデモンストレーションデータに特化したチームに適しています。

詳細な把持動作や指の軌跡を必要とするプロジェクトでは、オプションのExoGlove Proパッケージを追加できます。このパッケージには、モーションキャプチャグローブ2個、ワイヤレスレシーバーとバッテリーモジュール、およびUSB-Cデータケーブル2本が含まれています。

どちらの構成を選択するかは、必要な動作解像度によって異なります。腕レベルのタスクではグローブのデータは不要な場合もありますが、器用な操作や腕から手への完全な動作デモンストレーションでは、両方のレイヤーを同時に取得することでメリットが得られます。

自然な人間の行動を構造化されたトレーニングデータに変換する

身体化されたAIにおける中心的な課題は、単にデータ収集量を増やすことではない。人々が有用な身体的作業をどのように行うかを正確に表すデータを収集することである。

14自由度デュアルアームトラッキング、高解像度エンコーダフィードバック、最大1000Hzのサンプリングレート、デュアルIMUセンシング、およびオプションの25自由度ハンドポーズキャプチャを組み合わせることで、ExoArm-7 Proは、自然な人間の動きから構造化された遠隔操作およびロボット学習データへの実用的な道筋を提供します。

双腕ロボット、器用なマニピュレーター、模倣学習システム、またはVLAモデルを開発するチームにとって、このウェアラブルなアプローチは、オペレーターにとってデモンストレーションをより直感的にし、そこから学習する機械にとってより有益な情報を提供することができる。