センサーなしで力を感じる低価格ロボットアーム、MITの「NeuralActuator」がRSS 2026システム論文賞
MITの計算設計製作グループ（CDFG）とアマゾンの研究者による「NeuralActuator」が、RSS 2026の最優秀システム論文賞を受けた。モーターの電流、電圧、温度だけから安価なサーボの実際の挙動を学習し、外力を平均誤差0.12ニュートンで推定した。従来手法の誤差は0.66から1.41ニュートンだった。
トルクセンサーや触覚センサーを使わずに、安価なロボットアームが自分の押す力を感じ取れるようにするニューラルネットワークのモデルが、2026年7月13日から17日にシドニーで開かれたRSS（Robotics: Science and Systems）2026で「セス テラー記念最優秀システム論文賞」を受賞した。論文「NeuralActuator」はヴォイチェフ マトゥシク氏率いるMITの計算設計製作グループの研究者とアマゾンのユーリ イワノフ氏がまとめ、2026年7月にarXiv（2607.11734）で公開された。
解決したい課題
多くの低価格ロボットは「トルクはモーター電流に定数を掛けた値」という単純な規則で関節トルクを見積もる。著者らは、摩擦、ヒステリシス、歯車のバックラッシュ、発熱のため、安価なハードウエアではこの線形モデルが成り立たないと指摘する。この誤差は、シミュレーションで学習した方策が実際の低価格ロボットで違う動きをする一因であり、ロボットが自分の加えている力を把握できない理由でもある。
仕組み
システムはモーターがもともと出力している信号から3つを同時に学ぶ。各関節が実際に出す実効トルクを予測し、シミュレーターが実機の動きを再現できるようにする。アーム先端にかかる外力を推定し、ロボットが接触を感じられるようにする。各モーターの状態を採点し、通常運転と機械的に拘束された関節を見分ける。力の推定値は、接触の有無を判定するゲートを通してから使う。
モデルは、指令位置、関節状態、モーター電流、電圧、温度からなる9時点の短い履歴を読むトランスフォーマーである。トルク部分はトルクの正解データなしに学習する。予測トルクを物理エンジンMuJoCoに入れ、シミュレーションの動きと実測の動きを比べ、その差を微分可能なシミュレーターを通じて逆伝播させる。力とモーター状態の出力はラベル付きデータで学習した。
データと機材
著者らはロボティズ製の5自由度アームOpenManipulator-Xで計94.52分の「Neural Actuation Dataset」を作った。アームはダイナミクセルXM430-W350サーボで駆動し、データはリーダーとフォロワーの2台のアームを使う遠隔操作で集めた。内訳は自由動作34.15分、100グラムから500グラムの負荷をかけた力ラベル付きの相互作用46.24分、関節の一つを意図的に拘束した状態14.13分である。LeRobotのSO-101アームと、オフラインでフランカ エミカのPandaでも検証した。
結果
プロジェクトページによると、力の推定誤差は0.12ニュートンで、線形の電流トルクモデルの1.41ニュートン、摩擦項を加えたモデルの1.23ニュートン、一般化運動量オブザーバー（GMO）の0.66ニュートンを下回った。力の推定値を模倣学習の方策に入力すると、ピックアンドプレースの成功率は80%から92.5%に、持ち上げて保持する課題は85%から95%に上がった。モーター状態の判別は正解率91.0%、適合率84.5%、再現率96.2%だった。500ステップの動作予測で関節角度の誤差は1.78度から3.31度にとどまり、推論は60ヘルツの制御周期でGPU上1ミリ秒未満だった。コード、データ、ハードウエア構成は公開されている。
競争環境
フランカなどの産業用協働ロボットは関節トルクセンサーを内蔵し、その分コストが高い。触覚スキンや手首の力覚センサーも選択肢となる。NeuralActuatorは標準的なスマートサーボがすでに出す信号だけを使う点で、価格で勝負する。RSS 2026の受賞論文の中では、強化学習の高速化で最優秀論文賞を得たFlashSACとともに、学習ベースの制御を安価なハードウエアで実用化する流れを示している。
日本の産業への意味
力覚センサーやトルクセンサーで高い技術力を持つ日本の部品メーカーにとって、この研究は低価格帯での代替圧力を意味する。一方、詳細な内部データを出せるモーターやサーボを作るメーカーには、学習型の力推定や予知保全を付加価値にする機会が生まれる。人手不足で中小工場や物流現場のロボット導入が急がれるなか、力を感じる安価なアームは、これまで採算が合わなかった軽作業の自動化を後押しし得る。ただし協働ロボットの安全規格への適合をどう示すかは、日本の現場でも最大の課題となる。
限界
著者らは、トルク出力が純粋なモーターの物理トルクではなく、モデル化されていない接触や負荷も吸収した合算値になり得ると認めている。力の学習は準静的な負荷に頼り、モーター状態の評価は1台の関節一つに限られた。大型ロボットに使われる永久磁石同期モーターや油圧は扱っていない。
MEKAWIRE分析
NeuralActuatorは安価なロボットの力覚をモーターのデータから学べることを示し、普及価格帯でハードウエアのコストをソフトウエアの機能に置き換え得る。
根拠は、論文内で最良の従来手法の約5分の1となる0.12ニュートンの誤差、模倣学習の成功率の10から12.5ポイントの改善、外部検証を可能にするコードとデータの公開である。
最も強い反論は適用範囲だ。駆動器は一系統、負荷は準静的、主な機体は一つという狭い基盤であり、産業顧客が求める認証済みの力の上限を学習型推定器はまだ保証できない。
強気シナリオ：サーボメーカーが同様のモデルをファームウエアに搭載し、あらゆる低価格アームが力覚を持つ。データ収集機材が基盤モデル向けの力データを大規模に記録する。
弱気シナリオ：モーターの製造ロットや摩耗状態ごとに再学習が必要で、動的な作業では精度が落ち、安全が絡む用途では企業が物理センサーを使い続ける。
注目すべきシグナル：
- 2026年から2027年の後続研究で、人型ロボット向け準ダイレクトドライブ関節など他の駆動器での結果が出るか
- 研究で使われたSO-101が普及するLeRobotの利用者層で採用が進むか
- サーボメーカーがファームウエアによる学習型力推定を発表するか
- NeuralActuator
- 0.12
- 1
- GMO（一般化運動量オブザーバー）
- 0.66
- 5.5
- ID-Friction（摩擦を含む逆動力学）
- 1.23
- 10.25
- ID-Linear（線形の電流トルクモデル）
- 1.41
- 11.75
著者のプロジェクトページが示した負荷課題の平均絶対誤差。倍率 = 従来手法の誤差 / NeuralActuatorの誤差。
2026年10月1日時点
- RSS 2026最優秀システム論文賞（セス テラー記念）
- MIT CDFG（マトゥシク氏）とアマゾン
- arXiv 2607.11734（2026年7月）
- 平均絶対誤差0.12ニュートン
- GMO 0.66ニュートン
- ピックアンドプレース80%から92.5%
- 正解率91.0%、再現率96.2%
- OpenManipulator-Xで94.52分
- コード、データ、ハードウエア構成
なぜ重要か
力は安価なロボットに欠けた感覚だ。関節トルクセンサーや手首の力覚センサーは低価格アーム1台より高いこともあり、趣味用、教育用、データ収集用のロボットの多くは接触を感じないまま動いている。NeuralActuatorは、駆動器の非線形な挙動を学習すれば、モーターの電流、電圧、温度にその情報がすでに含まれていることを示した。
手法面の貢献も大きい。姿勢データだけから微分可能なシミュレーターを通じてトルクモデルを学習するため、安価なロボットが測れないトルクの正解データが要らない。妥当なシミュレーションモデルがあればどのロボットにも応用できる。
競合分析
既存の代替手段はハードウエアである。フランカのPandaのような協働ロボットの関節トルクセンサー、手首の6軸力覚センサー、触覚スキンだ。ソフトウエアの従来手法には線形電流モデル、摩擦モデル、一般化運動量オブザーバーがあり、論文の力推定ベンチマークではいずれもNeuralActuatorを下回った。
脚式ロボットの分野でも駆動器の挙動をニューラルネットワークで学ぶ研究はあった。NeuralActuatorの違いは、力推定、状態診断、シミュレーター向けのトルクを、トルクの正解なしに一つのモデルにまとめた点にある。
企業価値の背景
研究そのものに企業価値は付かないが、経済的な効果は部品コストに現れる。一部の作業でソフトウエアが力覚センサーを代替できれば、力を感じるアームのコストはサーボ自体の価格に近づく。
ロボットのデータ収集や低価格マニピュレーターに投資する側から見れば、新たなハードウエアなしで安価な機材に力のデータを加えられることは、センサーの高度化より規模拡大を重視する戦略を後押しする。
サプライチェーンへの影響
研究の中心は電流、電圧、温度を出力するスマートサーボ、具体的にはOpenManipulator-Xに使われるロボティズのダイナミクセルXM430-W350である。この手法の下では内部データの豊富なサーボほど価値が高まり、メーカーにはより多くのデータを開示する動機が生まれる。
計算負荷は小さく、著者らは60ヘルツでGPU推論が1ミリ秒未満と報告した。次の段階はモデルを組み込みプロセッサーやサーボのファームウエアに移すことで、マイコンやモータードライバーを手掛ける日本の半導体メーカーにも商機となり得る。
今後の注目点
人型ロボットに使われるブラシレスや準ダイレクトドライブの駆動器、動的な負荷での後続結果に注目したい。ロボット学習データの収集に広く使われるSO-101が属するLeRobotの利用者層での採用も重要だ。
サーボやアームのメーカーが学習型の力推定を製品機能として発表するか、安全規格の策定団体が学習型の力推定器をどう扱うかも見ておきたい。
アナリストの見方
見立て：センサーを使わない学習型の力推定は数年以内に低価格マニピュレーターの標準機能になるが、安全が重要な産業用途で認証済みのセンサーを置き換えることはない。確信度：中。
結果は強いものの、主な機体が一つで負荷も準静的に限られるため確信度は中とした。コードとデータの公開、最良の従来手法に対する約5倍の改善、RSSシステム論文賞が方向性を裏付ける。
問うべき論点
新しいモーター型式や摩耗した駆動器で精度を取り戻すには、どれだけのデータが必要か。静的な負荷ではなく速い動的な接触で推定性能はどうなるか。
モデルはサーボ自身のマイコン上で動くのか。学習型の力推定値を協働ロボットの安全要件に照らしてどう検証するのか。