記事日付：更新日不明
現在のAI開発において、ロボットが物理世界で活動するための「ワールドモデル」が注目されています。
しかし、Niantic Spatialの分析によれば、既存のワールドモデルはインターネット上の動画データや合成環境に依存しており、現実世界の物理的な制約や正確なスケールを反映できていないという課題があります。
物理AIにおける「接地」の欠如と課題
汎用的な動画データで学習したモデルは、現実の場所と空間的な関連性がなく、メートル単位の正確な寸法（メトリック・スケール）を欠いています。
例えば、産業現場にあるバルブの直径が5cmなのか50cmなのかを画像から判断することは困難であり、こうしたスケールの不一致はロボットの動作ミスを招く恐れがあります。
また、従来のHDマップは高精度ですが、作成に多額の費用と期間を要し、環境変化への追従も困難であるという経済的な障壁がありました。
一方で、合成環境や汎用的な動画データは、現実の物理法則や空間的な一貫性を欠く場合があり、ロボットが現実世界で直感的に行動するための基盤としては不十分です。
安価なキャプチャ技術による空間再構築
Niantic Spatialは、ガウシアン・スプラッティングと安価な360度カメラを組み合わせることで、短時間で高精度な空間再構築を可能にする手法を模索しています。
同社はFlexionおよびNvidiaとの協力により、実際のロボット配備先をシミュレーション環境として再現し、ロボットのポリシーを訓練・評価する取り組みを行っています。
この手法により、従来の合成環境や深度ベースラインと比較して良好な結果が得られています。
また、同社は「Large Geospatial Model」の開発を進めており、複数の拠点や業界のデータを統合することで、個別の環境における空間的な接地をより効率的に実現することを目指しています。
導入検討時の判断材料
ロボットや空間コンピューティングの導入を検討する際は、単なる視覚的な再現性だけでなく、その環境が「物理的に正確なスケール」に基づいているかを確認することが重要です。
また、現場の環境変化に対して、どのようにデータを更新し、継続的な学習にフィードバックできるかという運用コストも比較検討の対象となります。
なお、日本国内における具体的な提供条件や導入コストについては、一次情報では未確認です。
公式の技術仕様やサポート範囲を個別に確認することをお勧めします。
