技術的な注目点は実演の見た目ではなく、実行方式と制約を検証できることにある。拡散モデルによる位置合わせと、視覚・力による接触判定、力制御の回転を組み合わせる。 初期のかみ合わせが難しく、斜めのねじや未知の製品全般は検証されていない。

ねじを外すとき、人はドライバーの先がねじ頭に合っているかを目と手の感覚で確かめる。ロボットには、この最初の作業が意外に難しい。少し位置がずれるだけで先端が滑り、回転してもねじは外れない。Hemant Kumarらが2026年10月29日に発表したDAWNは、ねじ外しを複数の段階に分けて学習させる研究システムだ。使い終わった電子機器などを分解し、部品を取り出す作業への応用を想定している。ねじを画像で見つけるだけでは、実際に外せることにはならない。

まず拡散モデルを使った動作方針が、カメラなどの情報からドライバーの位置合わせと差し込みを行う。拡散モデルは、候補の動作を段階的に整えていく学習方式の一つである。次に別の判定モデルが画像と力の情報を合わせ、先端がしっかりかみ合ったかを確認する。最後は力の変化を主に利用する制御器がねじを回して外す。この段階では反力を20ニュートン未満に保つ制約が設けられている。位置合わせ、接触の判断、回転という異なる問題に、それぞれ適した方法を使う設計である。

実験にはFranka Emikaのロボットアームと電動ドライバーが使われた。研究チームは位置合わせのために199回の専門家の実演を集め、接触判定には6000枚の画像を用意した。ある比較試験では、位置合わせからかみ合わせまでの成功が約半数で、同じ条件で訓練を受けた人の遠隔操作^[1]と同程度だった。接触判定モデルの正解率は0.90と報告された。先端が正しくかみ合った後のねじ外しは、対象とした試験ではより安定していた。しかし最初の段階が失敗すれば、全体の作業も完了できない。

この研究から分かるのは、ねじを回す力だけではなく、正しい接触を作ることが重要だという点である。ねじ頭の形や見え方が学習時と違うと、位置合わせは難しくなる。斜めに取り付けられたねじは今回の評価対象ではない。実際の分解工場では、複雑な製品の中からねじを探し、先端が滑ったときに安全にやり直し、周囲の部品を傷つけない必要がある。DAWNはそのための有望な考え方を示すが、何でも分解できる完成品ではない。

読者が注目したいのは、どこまでが実験で確かめられ、どこからが今後の目標なのかという点だ。成功した映像だけでなく、失敗した場合にどうなったか、試験中に変えなかった条件は何かを知ると、技術の意味がより明確になる。