家庭の静かで散らかった隅々や、コンビニエンスストアの狭い通路において、ロボットはある課題に直面します。それは人間には単純でも機械には不可解なこと、すなわち、サンドイッチを潰さずに持ち上げたり、紙コップが滑り落ちないように持ち上げたりすることです。何十年もの間、エンジニアは数値――どれだけの力が加わっているか、摩擦がどの程度存在するか、物体が動いているかどうかなど――を測定することで、ロボットに物を掴む方法を教えてきました。これらの測定値は精密で信頼できるものですが、最も重要な要素を見落としています。それが、「ちょうど良い」という人間の感覚です。ロボットは物理的に物体を保持するのに十分な力を加えているかもしれませんが、人間の観察者にとっては、その物体がわずかに凹んだり歪んだりして見えることがあり、それは握りすぎているサインとなります。この「ロボットが測定していること」と「人間が期待すること」との間の乖ာ（かいり）は、真の協調への障壁を生み出しています。もしロボットが、たとえ落としなかったとしても、「押しつぶされたサンドイッチは失敗である」ということを理解できなければ、繊細な日常業務を任されることは決してないでしょう。

日本の九州工業大学の研究チームは、この溝を埋めるための新しい手法を開発しました。彼らは、ロボットに対して、人間の主観的な視覚基準を学習させ、それを自分自身の機械的センサーのみを用いて適用させるシステムを作り上げました。あらゆる物体のために硬直したルールをプログラムすることは、（世界の多様性を考えると）不可能なため、研究者は、人間の直感を機械へと転移させるフレームワークを構築しました。このシステムは、まず人間にどのようにグリップの状態を判断するかを示し、次にその判断を利用して、ロボット自身が自分のデータの中で何に注目すべきかを教えることで機能します。その結果、未知の物体に対しても数例の提示だけで適応し、人間が見た時に完璧だと感じる瞬間に正確に絞る力を止めることができるロボットが誕生しました。

研究者たちは、このアイデアを非定型な環境で見られる一般的な3つのアイテム、すなわちおにぎり、サンドイッチ、そして紙コップでテストしました。これらの物体が選ばれた理由は、柔らかく変形しやすく、圧力の下での挙動が異なるためです。ロボットに教えるために、チームはまず、グリッパーがこれらを掴む際に、微細かつ正確なステップで力を強めていく様子を録画しました。人間の観察者がこれらのビデオを見て、2つの決定的な瞬間をマークしました。一つはグリッパーが物体をしっかりと保持した正確な秒数であり、もう一つは、へこみや形状の変化といった目に見える損傷の兆候が現れ始めた最初の瞬間です。これらの瞬間によって、ロボットにおける3つの状態、すなわち「スライディング（保持不足）」、「適切」、「過剰（締めすぎ）」が定義されました。

核心となる革新性は、膨大なラベル付きの事例を必要とせずに、ロボットがいかにしてこれらの定義を学ぶかという点にあります。研究者たちは、画像と言語の両方を理解できる人工知能の一種である大規模言語・ビジョンモデルを使用し、これを架け橋として活用しました。AIに対し、人間による判断の例（すでに人間が適切な瞬間をマーク済みの動画を2〜3本）を示すことで、残りのビデオデータを自動的にラベリングするためのガイドとして利用させたのです。このプロセスを、チームは「半自動監督生成器（semi-automated supervisor generator）」と呼んでおり、これにより最小限の人間の労力で各オブジェクトの完全なトレーニング用データセットを作成することができました。AIは、人間が気づくような微妙な変形の視覚的手がかりを認識することを学び、事実上、人間の「眼」をロボットが理解できる一連のラベルへと翻訳したのです。

このラベル付けされたデータを取得した後、ロボットは自身の内部センサーのみを使用して、リアルタイムでグリップの状態を予測する方法を学習しました。ロボットにはデコボコを見る目はありません。代わりに、指先の触覚センサーと、加えられている力の測定値に頼ります。研究者たちは軽量な予測モデルを訓練し、それらのセンサー読み取り値の履歴を確認し、次の瞬間に何が起こるかを推測するようにしました。もし圧力と接触のパターンが、物体が変形しそうであることを示唆していれば、ロボットは力を高めるのを止めます。この予測はコンマ数秒で行われるため、ロボットは物体を持ち上げて移動させている間も継続的にグリップを調整することができます。

実験の結果、このアプローチは極めて効果的であることが示されました。研究者がこれら3つの対象物についてシステムをテストした際、より多くのデータを見るにつれて、正しい状態を予測する能力は急速に向上しました。単一の判断例を与えた段階では、ロボットはタスクを理解し始めていましたが、その予測は時折不安定でした。しかし、2つの例を与えると、パフォーマンスは非常に高精度になり、人間の判断とほぼ完全に一致しました。実際に物体を持ち上げるテストにおいても、ロボットはほとんどすべての試行において「適切」なグリップを維持することに成功しました。紙コップとサンドイッチについては、破損させることなく安全に保持するという目標において満点を達成しました。形が不規則で密度の偏りがあるおにぎりに関しては、ロボットはやや慎重になり、人間よりもわずかに早くグリップを止める傾向がありましたが、落下したり潰したりすることなく輸送に成功しました。

ロボットが本当に人間の期待に応えているかどうかを確認するため、研究者は25人の参加者に、ロボットが行った作業のビデオを見てもらいました。参加者は、ロボットのグリップが「スライディング」「適切」「過剰」のいずれであるかを判断するよう求められました。ほとんどの場合、90％以上の人が、ロボットが物体を正しく保持しているという点で意見が一致しました。唯一の例外は、サンドイッチを用いた1回の試行で、ロボットが中心から少しずれて保持したことにより、一部の人から力が強すぎるのではないかと解釈される視覚的な歪みが生じたケースでした。この結果は、システムがロボットの機械的な動作を人間の視覚的な期待事項と見事に合致させることができたことを示しており、見ていて違和感のないグリップを実現したといえます。

また、本研究はこの現在のアプローチの限界についても明らかにしています。研究者によれば、現在のシステムは既知の物体と類似したものに対して最もよく機能すると述べています。全く異なる質感や剛性を持つ新しいタイプのサンドイッチなどが導入された場合、ロボットはその新しいルールを学習するためにもう少し多くの例を必要とする可能性があります。さらに、チームは現在のメソッドがシンプルな3状態分類に基づいていることも指摘しました。これは優れた出発点ではありますが、人間の好みが持つ複雑さをすべて捉えきれるものではありません。今後の研究では、タスク中の人間からのフィードバックを取り入れることや、扱える物体の範囲を広げることで、システムの堅牢性を高めることを目的としています。

結局のところ、この研究は、乱雑で予測不可能な環境で人と共に働く必要があるロボットに向けられた進むべき道を示しています。マシンに「人間の視点」——つまり、物の物理的な安全性だけでなく、その外観や整合性の価値——を教えることで、研究者たちは、日常生活の機微を真に理解できるロボットへと向かう大きな一歩を踏み出したのです。ロボットは特定の品物に対して具体的にどれほどの力で挟むべきかを指示されなくても、「多すぎる」とはどういう状態なのかを学べば、遭遇するもの全てにそのレッスンを応用することができるのです。このような、主観的な人間の基準を客観的な機械制御へと転換する能力は、私たちの最も壊れやすい所有物を、私たちと同じくらいの丁寧さで扱うことができる未来を示唆しています。