sim-to-realギャップは4つの差から生まれる
sim-to-real（Sim2Real）とは、シミュレーション上で学習・検証したロボットの制御方策（ポリシー）を、実機に移して動かすことを指します。仮想空間は安全で、並列に大量の試行ができ、危険な状況も再現できます。一方で、シミュレーションは現実の近似にすぎず、その差が実機での失敗につながります。@ITが2026年9月に整理した日本のフィジカルAIの課題でも、Sim2Realギャップは筆頭に挙げられています。
差の原因は、大きく4つに分けられます。
| 差の種類 | 具体例 | 工場で起きやすい症状 |
|---|---|---|
| 物理パラメータの差 | 質量、摩擦係数、関節の遊び、モーターの応答遅れ | 把持したワークが滑る、狙った位置からずれる |
| センサの差 | カメラのノイズ、照明の反射、深度センサの欠損 | 光沢部品や黒いワークを認識できない |
| 接触の差 | 嵌合、押し当て、柔らかい物の変形 | 挿入で引っかかる、ケーブルや袋の扱いで失敗する |
| 外乱の差 | ワークの置き位置のばらつき、搬送の振動、人の動き | 想定外の位置にあるワークで止まる |
このうち接触は、シミュレーションでの再現が最も難しい領域です。剛体の移動は比較的よく再現できますが、嵌合時の微小な力のやり取りや、布・ワイヤーハーネスのような柔軟物の変形は、物理エンジンの近似誤差が大きくなります。
ギャップを埋める3つの手法
1. ドメインランダム化
シミュレーションの条件（摩擦、質量、照明、カメラ位置、ワークの色やテクスチャ）を意図的にばらつかせて学習させる手法です。「現実はこの幅のどこかにある」と考え、幅広い条件で動く方策を作ります。現実の正確な値が分からなくても使える点が利点で、sim-to-realの最も基本的な手段です。
2. システム同定（パラメータの合わせ込み）
実機で測った挙動に合わせて、シミュレーションの物理パラメータを調整する方法です。ロボットの関節特性やワークの質量・摩擦を実測し、モデルに反映します。ランダム化の幅を狭められるため、学習効率が上がります。
3. 合成データと実データの組み合わせ
NVIDIAは2025年3月、GR00T N1の発表で、11時間で78万件の合成軌道（人手デモ約6,500時間相当）を生成し、実データと組み合わせることで、実データのみの場合より性能が40%向上したと発表しました（同社発表）。合成データだけで完結したわけではなく、実データとの組み合わせで効果が出た点が重要です。同社の世界基盤モデルCosmosは、こうした合成データの生成を担う位置づけで、NVIDIA Cosmosの記事で詳しく扱います。
シミュレーション環境の現状
物理シミュレーションの基盤も更新が続いています。NVIDIAは2025年3月、Google DeepMind・Disney Researchと共同開発するオープンソース物理エンジン「Newton」を発表し、2026年3月のGTC 2026ではIsaac Lab 3.0（Newton 1.0物理エンジン）を発表しました。ファナックは2026年5月、自社のシミュレーターROBOGUIDEとNVIDIA Isaac Simを常時直接通信させる仮想工場と、ROBOGUIDEでのPhysX利用によるばら積みピッキングの再現を発表しています（同社発表）。
ロボットメーカーのシミュレーターと汎用の物理シミュレーターがつながり始めたことで、既存のロボットセルをそのまま仮想空間に持ち込みやすくなっています。工場全体のデジタルツインでの検証はNVIDIA Omniverseで工場デジタルツインを参照してください。
工場で検証するときの確認点
シミュレーションでの成功率は、実機での成功率の上限と考えるのが安全です。特に(4)の失敗時の挙動は、シミュレーションでは確認しにくく、実機の安全設計と直結します。
ワークのCADデータ、治具の寸法、設備のレイアウトといったシミュレーションの入力は、多くの工場でPLM・設計部門と生産技術部門に散らばっています。この入力データの整備が、sim-to-realの最初の関門になることも少なくありません。
よくある質問
sim-to-realは従来の産業用ロボットにも関係しますか
関係します。オフラインティーチングで作ったプログラムを実機に移すときの位置ずれ補正も、広い意味では同じ問題です。学習型の制御では、ずれが動作の判断そのものに影響するため、問題がより大きくなります。
シミュレーションだけで学習を終えることはできますか
剛体の単純な移載なら実用に近づいていますが、接触や柔軟物を扱う作業では、現時点で実機データの追加なしに十分な性能を出すのは難しいと考えるのが現実的です。NVIDIAの発表でも、合成データは実データと組み合わせて使われています。
自社でシミュレーション環境を作る必要がありますか
ロボットメーカーのシミュレーターやベンダーの環境を使うのが一般的です。自社で用意すべきは、ワーク・治具・設備の正確な形状データと、実際のラインの照明やばらつきの測定値です。
この記事に出てくる用語
フィジカルAIは工場に来るのか
ロボット基盤モデルとヒューマノイドの実証。宣伝と量産ラインの距離を測る 全66本
- フィジカルAIとは：従来の産業ロボット・協働ロボットとの違いを4つの軸で整理
- 美的の「智能体工厂」：荆州工場の14エージェント・38シーンと人形ロボット
- ヒューマノイドの工場実証一覧：BMW・Mercedes・Schaeffler・BYDなど10社の現在地
- フィジカルAI導入の判断基準：今やるべき工場・待つべき工場を分ける5つの質問
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
