NTTは2026年11月11日、ロボットが荷物を動かす前に、落下や荷崩れなどの結果を予測するフィジカルAI技術を開発したと発表しました。荷物を棚へ積み付ける小型ロボットの模擬実験で、タスク成功率が73.1%から92.3%に向上したと報告しています。
今回の技術は、ロボットが実行前に複数の動作候補を比較するための「ワールドモデル」です。92.3%は小型ロボットによる棚積みの模擬実験で得られた数字です。空港手荷物への適用は今後の実証計画に含まれています。
荷崩れ・落下・衝突を動作前に予測する仕組み
ロボットが箱を持ち上げる場面を考えてみましょう。持ち上げる場所や進む方向によって、積まれた箱が崩れたり、隣の荷物とぶつかったりする結果が変わります。今回のワールドモデルは、複数の候補動作をそれぞれ実行した場合の未来の状態を映像として生成し、失敗につながる動きを評価します。
具体的には、VLA(視覚・言語・動作を扱うAI)やモーションプランナなど、既存のロボット制御プログラムが動作案を作ります。NTTのモデルはそれらの動作案を受け取り、荷崩れ、落下、衝突の可能性などを評価します。成功しやすい案を選んでからロボットが動き始めるという流れです。
実行するたびに現実の荷物を倒して試すわけにはいかないため、行動前に予測できれば物理的な失敗を減らせる可能性があります。
「物理制御アダプタ」で物体の動きを計算する
映像予測に重さ・速度・姿勢を組み込む
通常の映像生成モデルは、過去の画像の見え方を基に次の画像を作れます。ただし、映像上では自然に見えても、箱が突然消えたり、物体がめり込んだりして物理的におかしい結果になる場合があります。
NTTは独自開発の「物理制御アダプタ」を映像生成モデルへ組み込みました。カメラやセンサーから物体の位置、姿勢、速度、質量などを推定し、運動方程式に沿った状態変化を計算します。その結果を将来の映像生成へ反映することで、物体同士の衝突や落下などの予測を改善します。
未知の配置にも対応することを狙う
空港の手荷物はサイズや形、重量が異なります。すべての組み合わせを実物で学習することは難しいため、物理量を明示的に扱うことで、学習していない配置や動きでも予測が破綻しにくい仕組みを目指しています。
NTTは複数物体の衝突を含む公開映像データセット「OBJ3D」で、従来手法より高い予測精度を報告しました。評価指標として用いたLPIPSは、正解映像と予測映像の見た目の近さを測るもので、値が小さいほど類似度が高いとされます。映像予測の精度と、実物の荷物を扱う作業成功率は別の評価です。
棚への積み付け実験で成功率73.1%から92.3%に改善
NTTが発表した数値は、小型ロボットを使って棚に荷物を積む作業を模擬し、ワールドモデルを使う場合と使わない場合を比べた実験結果です。従来構成で73.1%、新技術を用いた構成で92.3%となり、差は19.2ポイントです。
「19.2%増」と書くと相対的な増加率と混同されます。実際の差は成功率の割合を引き算した19.2ポイントで、元の73.1%を基準にした相対的な改善率とは異なります。
この値だけでは、実験で使用したすべての荷物の重量や形、現実の空港での稼働時間までは判断できません。現場導入時には、荷物の種類、センサーによる認識精度、予測に要する時間、失敗時の停止手順を別途評価する必要があります。
空港手荷物の自動化へ向けた計画
NTTが最初の適用先として挙げるのは、空港の手荷物の積込み・積降ろしです。スーツケースや箱など、形と重さが違う荷物をロボットで扱う作業を想定しています。ロボット制御技術を手掛けるMujinと連携し、今後社会実証を進める計画です。
物流倉庫、製造、建設、小売などへの展開も検討しています。2026年11月のNTT R&Dフォーラムで展示する予定で、一般企業向けの販売価格や正式導入日は公表されていません。
ロボット制御で残る課題
実際の現場では、荷物の重さや摩擦、柔らかさをどこまで正確に推定できるかが課題です。予測に時間をかけすぎると搬送効率が落ち、予測が外れた場合には荷物を傷める可能性もあります。人が近くで作業する環境では、停止できる距離や周囲の安全対策も必要です。
NTTのワールドモデルは行動案の事前評価を補助します。ロボットの把持や搬送そのものを行う制御機構、現場の安全設計と組み合わせて使われる技術です。ロボットが外部ツールを操作する一般的なAIエージェントとの関係は「AIエージェント」でも整理しています。





