山善とINSOL-HIGHら4 社
民間でフィジカルAI データ収集を行う「J-HRTI」設立

（株）ツムラ、レオン自動機（株）、INSOL-HIGH（株）、（株）山善は、2026年3月26日、ヒューマノイドロボットの社会実装を加速するため、産業データに特化した「フィジカルAI・ロボットデータ収集センター」構築に向け、民間企業のみで構成されたコンソーシアム「J-HRTI（Japan Humanoid Robot Training & Implementation）」を設立すると発表した。ロボットの模倣学習に必要なフィジカルデータの生成・共有を行うことで社会実装に向けた基盤構築を推進する。千葉湾岸エリアに敷地約1,400平米、最大50台のヒューマノイドロボットが稼働する産業用データ収集拠点を整備し、ロボットデータの収集やタグ付けを行う。投資規模は非公開だが数十億円単位と見られる。

ロボットを遠隔操作して模倣学習用のデータを収集する

VLAとデータ収集の必要性

Vision-Language-Action（VLA）モデルが次世代のロボット制御手法として注目されている。「ロボット基盤モデル」とも呼ばれることがあるVLAは、単一のニューラルネットワークアーキテクチャ内で視覚（Vision）、言語（Language）、行動（Action）の三つのモダリティを統合し、end-to-endで学習・推論を行う。従来のロボット工学では、これら三つの要素は別々のシステムとして開発・最適化する必要があるが、VLAモデルは、これらのプロセスを分離しない。それにより、タスク目標に対する直接最適化、言語による柔軟なタスク指定、Few-shot/Zero-shot汎化、モーダルを超えた共通潜在表現の獲得などの効果がある。誕生して数年の概念であり、現状は何でもできるわけでもなく、動作も遅く、動作精度はデータに大きく依存するなど課題も多い一方で、将来はロボットの社会実装の姿を大きく変え得る技術として期待されている（図1）。

図1　VLAモデルによってロボットを動かすには高品質データが大量に必要