Multistage-VLA

オイラーロボティクスのMultistage VLA（Multi-stage Vision-Language-Action）は、ロボットが作業環境を理解し、最適な動作を生成するAI制御アーキテクチャです。
ユーザーは音声やテキストによる指示だけで、ロボットの移動、信号や周辺機器の制御、さまざまな対象物のピック＆プレース作業を指示でき、
作業者と同じ空間で柔軟に協働することができます。

Introduction

Physical AIベースの自動化システム

Multistage-VLAは、各段階に適したAIモデルとアルゴリズムを適用することで、産業現場で求められる
安定した作業遂行と処理速度を両立させる構成で設計されたシステムです。
このアプローチにより、ロボットが不定形な物理環境を理解して実際の作業へとつなげる
Physical AIベースの自動化システムを実現しました。

Process

動作プロセス

従来の単一End-to-End方式のVLAモデルが産業環境で抱える作業成功率と推論速度の課題を改善するため、ロボットの意思決定プロセスを複数の段階に分離して設計しました。

1

音声・テキスト入力の処理
2

視覚ベースの状況認識
3

3D空間認識
4

作業計画
5

ロボット実行

Key Feature

Multistage-VLAの特長

01産業現場に適用できるPhysical AI

Multistage-VLAは、短いサイクルタイムと高い作業成功率により、実際の産業現場に適用できるPhysical AIシステムです。

02作業者と協働する自然言語ロボット制御

作業者は自然言語による指示だけでロボットとコミュニケーションでき、同じ作業空間でロボットと柔軟に協働できます。

03不定形な環境への対応とシステム連携

不定形な作業環境でも対象物と作業状況を理解し、さまざまなセンサー・ロボット・周辺システムと連携することで、現場の自動化範囲を広げます。

Specification

主な仕様

技術検討のための詳細仕様です。

アーキテクチャ	Multistage VLA（マルチステージ Vision-Language-Action）
処理段階	音声・テキスト入力 → 視覚認識 → 3D空間認識 → 作業計画 → ロボット実行（5段階）
言語入力	音声・テキストによる自然言語（韓国語・英語）
視覚認識	VLMベースの物体認識（ブランド・ラベル・SKU単位）
空間認識	ToF 3Dカメラによる中心座標・サイズ・姿勢の抽出
エージェント構成	LLMベースのエージェント（複合条件の指示を分解・実行）
指示処理	把持・搬送・積み付けなど、ロボットが実行可能な作業に関する自然言語指示の分解・実行
対応ロボット	現代ロボティクス、川崎、斗山、ファナックなど（メーカー非依存）
連携システム	RBS パレタイジング・デパレタイジング、AMR、コンベヤ
比較優位	End-to-End VLAと比べて作業成功率・推論速度を改善

Validation

進行中の協業

Multistage-VLAは、公的機関による選定と実際の現場でのPoCを通じて、技術力の検証を進めています。

TIPS

2025年ディープテックTIPSに選定

韓国中小ベンチャー企業部「ディープテックTIPS」に選定され、約20億ウォンのR&D支援を受けています。Multistage VLA技術をベースに、荷降ろしから仕分け・積み付けまでの全工程を自動化するRBS 2.0の開発を進めています。

LGサイエンスパークとの協業PoC

Multistage-VLAを含む4分野のPoCをLGサイエンスパークと共同で進めています。セマンティック・グラスピングによるSKUの選別搬送や、VLA学習データを収集するためのテストベッド構築などが含まれます。

お探しの製品・ソリューションはありますか？

製品デモ・現場診断のお申し込み