フィジカルAIの未来は、より賢いロボットではなく、より賢いインターフェースにある

Wetour Roboticsは最新のテクニカルホワイトペーパーで、画期的な見解を提示している。フィジカルAIの未来は、よりスマートなロボットを作ることではなく、よりスマートなヒューマンインターフェースを設計することにあるという。同社は、過去40年間、人間と機械のインタラクションはスクリーン、ボタン、音声の3つのモダリティに限定されてきたが、これらのモードはユーザーの手が塞がっていたり、視線を離せなかったり、話すことが不便な状況では完全に機能しないと指摘する。例えば、風力タービンの点検技術者は両手でレンチを握っており、診断デバイスを操作する余裕はない。物流作業員は手袋をはめたままフォークリフトを誘導する必要がある。混雑した通りでモビリティ補助機器を使用する人は、スマートフォンを出したり声を出したりせずに前進したい。こうした場面で必要なのは、より賢いロボットではなく、機械が人間の意図をより自然に理解できる方法である。

Wetour Roboticsの解決策は「Spatial Intent Fusion（空間意図融合）」である。この技術は、空間位置、視覚的文脈、ジェスチャー意図という3つの情報ストリームを同時処理し、それらをリアルタイムのコマンドに融合して接続された任意の物理デバイスに送信する。中核となるプラットフォームは「Orchestra」と呼ばれるポータブルインテリジェントハブで、センサーフュージョン、意図推論、コマンド変換、および安全調停を処理するオペレーティングシステムを実行する。リファレンスコンピュートプラットフォームはNVIDIA Jetson Orin Nano Superであり、クラウドに依存せずにエッジで完全な制御ループを実現するのに十分なオンデバイス推論能力を提供する。生体信号取得からアクチュエーターコマンドまでのフルチェーン遅延は100ミリ秒未満に抑えられ、閉ループ制御が自然で遅延を感じさせない。

Orchestraのアーキテクチャは3つの知覚層と4つの調整エンジンで構成される。知覚層には、Orchestra自体（ローカルコンピュートおよびオーケストレーションコア）、VisionLink（視覚および空間知覚層。カメラを使用して物体を識別し、距離を推定し、環境コンテキストを追跡）、およびConductor（生体信号パイプライン。手首装着型デバイスから表面筋電図sEMGデータを取り込み、時間パターンを離散的ジェスチャーまたは連続制御信号に分類）が含まれる。sEMGの技術的に興味深い特性は、信号が可視動作に先行することである。運動単位活動電位は、指が対応するジェスチャーを完了する約50～80ミリ秒前に皮膚表面に現れる。Wetour Roboticsはこれを「プレモーション意図センシング」と呼び、Orchestraがユーザーの意図を反応ではなく予測することを可能にしている。

4つの調整エンジンは、知覚エンジン（生センサーストリームを取り込み正規化）、意図エンジン（モダリティ間でSpatial Intent Fusionを実行）、オーケストレーションエンジン（意図を特定のデバイスコマンドに変換）、安全エンジン（競合コマンドを調停、運用エンベロープを実施、ランタイム安全条件に基づき実行をゲート）である。

Wetour Roboticsは、3つの工学的課題が未解決であることを認めている。第一に、動作中のsEMGベースライン安定性。静止時には信頼性が高いが、歩行や昇降中はモーションアーティファクトと電極ドリフトが信号を劣化させる。Orchestraは複雑な環境では堅牢な離散的ジェスチャーの小さなセットにデフォルトし、連続制御は信号対雑音比がサポートする状況に限定する。第二に、エッジAIコンピュートの小型化。コンパクトキャリアボード、熱設計、および終日装着可能なバッテリーモジュールにより、ユーザーに寄り添いながらクラウドにオフロードせずに完全な知覚・動作ループを実行するハブを実現した。第三に、サードパーティデバイスプロトコルの異種性。OrchestraはAIエージェント層を使用して接続とプロトコル変換を適応的に交渉する。

記事は結論として、このアプローチは個々のユーザーのインターフェース改善にとどまらず、ヒューマノイドロボット開発に必要な実世界の人機相互作用データを生成することで、フィジカルAIエコシステム全体を前進させると述べる。Wetour Roboticsのスローガン「Your body is the interface」はそのビジョンを要約している。