同じ倉庫でも、扱う商品の姿が変わる

衣料物流では、服の種類や包装、置かれ方が変わります。ABBは、こうした変化の大きな対象向けに、画像を扱う学習済みモデルや再学習の機能を組み合わせています。公式発表はFashion InductorとAI Robot Trainerを一体化したシステムを、同社の視覚ベースのフィジカルAI展開の最初の一歩と位置付けています。[1]

説明用の例として、硬い箱を一種類扱う作業と、袋の大きさや膨らみが変わる衣料品を扱う作業を比べます。後者では、最初に設定した画像の見方が、新しい商品にどこまで合うかが問題になります。機械の腕の速さだけでなく、変化へ適応する工程が必要です。

監視から再学習、実機への更新を一周させる

ABBの説明する閉じた改善の循環は、ロボットの性能を監視し、異常や違いを見つけ、新しい学習データを作り、改良をロボットへ戻すというものです。新しいデジタルツインも組み合わせ、仮想設計・検証から現場での実行までをつなぎます。[2]

これは、発売時点で覚えたことだけを使い続ける製品像とは異なります。ただし、学び続けるという言葉から、ロボットがあらゆる変更を無人で自由に決定すると読み取るのは適切ではありません。公開資料が示すのは、用途を定めた再学習と更新の工程です。

75％、1,300個、99.5％は違う数字

製品ページは、設計・立ち上げの工数を最大75％削減、セルあたり毎時最大1,300品、把持精度の目標を99.5％超と説明しています。これらはそれぞれ、導入の負担、処理量、狙う精度という異なる指標です。ABBの公表値として読み、互いを混ぜないことが重要です。[3]

例えば、導入に必要な作業が減ることと、一時間に流れる商品の数が増えることは、別々に価値を生みます。見積もりでは前者が初期費用、後者が運用中の能力へ関わります。どの数字が自分の課題に対応するかを決めると、発表の意味を具体化できます。

導入後の改善が、製品の一部になる

編集部の見方（推測です）：現場ごとに商品構成が変わる分野では、出荷時の性能だけでなく、変更へ対応する時間と手間が競争力の一部になりそうです。新しいロボットを増やす話に加え、同じ設備を学習と更新で使い続ける話として追う価値があります。

今回確認した発表は、2027年第1四半期までに同様の方式をほかの視覚ベースの用途へ広げる計画も示しています。[2] これは今後の展開予定です。次に見るべき発表は、対象となる用途と、現場で再学習や更新を行った具体的な事例です。

よくある疑問

この記事は10月24日の新製品発表ですか？

記事公開日は10月24日ですが、確認できる独語版公式発表の日付は10月15日です。両者を分けて表示しています。

導入すれば必ず工数が75％減りますか？

最大値としてのメーカー説明です。導入先の工程や条件で得られる効果は別に評価する必要があります。

出典・参考資料

公式公開資料を基に構成しています。メーカーが示す性能・実演は各社の発表であり、本メディアによる実機検証ではありません。価格・提供範囲は2026年10月24日の確認時点です。

AIを用いた調査・執筆と出典照合については編集方針をご覧ください。