ロボット基盤モデル・VLAの基礎と最新基盤モデル「π0」によるロボット制御への応用　＜オンラインセミナー＞

～基礎アーキテクチャとロボット学習・行動生成、Diffusion Modelsによるノイズから行動を生成するプロセス、拡散モデルによる行動生成、マルチエンボディメントとデータの理解～

・物理世界の複雑な挙動を高速かつ滑らかに制御できる最新ロボット基盤モデル「π０」技術を先取りし、ロボット制御へ応用するための講座
・ある決められたタスクだけではく、多種多様なタスクを行うことができる、より汎用的で柔軟な制御を可能とした汎用ロボットのためのＡＩ基盤モデル「π０」技術を修得し、高性能なロボット開発へ応用しよう！

オンラインセミナーの詳細はこちら：

・ＷＥＢ会議システムの使い方がご不明の方は弊社でご説明いたしますのでお気軽にご相談ください。

講師の言葉

　「なぜ、ロボットは『畳まれた服』をうまく扱えないのか？」
　本講義では、その答えと突破口となる最新基盤モデル「π０」を徹底攻略します。主役は、認識・意思決定・実行を一本の線でつなぐVLA（Vision－Language－Action）です。講義では、GoogleのRTシリーズから最新Diffusion Policy、そしてπ０の核心であるFlow Matchingまで、技術の進化を体系的に辿ります。特に、従来の拡散モデルを超え、なぜπ０が物理世界の複雑な挙動を高速かつ滑らかに制御できるのか、その数学的背景と「マルチエンボディメント」の仕組みを深く掘り下げます。
　単なる知識の習得に留まらず、物理世界を自在に操る「真のフィジカルAI」の実装へ。次世代をリードしたいエンジニア・研究者の皆さんの参加をお待ちしています。

セミナー詳細

開催日時	2026年07月21日(火) 10:00 ~ 17:00
開催場所	オンラインセミナー
カテゴリー	オンラインセミナー、電気・機械・メカトロ・設備、ソフト・データ・画像・デザイン
受講対象者	・AI・ロボティクスの次世代技術である「VLA（Vision－Language－Action）」および「π０」を深く理解し、実務や研究に活かしたい方・従来の「モデルベース制御」の限界を感じており、データ駆動型の「フィジカルAI基盤」を学びたいロボティクス・制御エンジニアの方・LLMやVLMの知識を、ロボット制御や物理タスク（Action）へと拡張したいAIエンジニア・研究者の方・物流・製造・小売現場における「非定型作業」の自動化に向けた、技術的な実現可能性を評価したい新規事業開発・テクニカルリードに携わる方
予備知識	・Deep Learningの基礎（Transformer（ViT）やCNNの構造、誤差逆伝播法などの基本理解）・Python／PyTorchの経験（モデルのアーキテクチャ図や擬似コードを理解できるレベル）・数学の基礎（微分方程式や確率統計の基礎知識（Flow Matchingの概念理解に役立ちます）
修得知識	・LLM・VLMからAction（行動）へと繋がる進化の系統を理解し、なぜ今のロボット基盤モデルにおいて「π０」が最重要なのか、その技術の詳細を理解できます・実用的な「フィジカルAI」を構築できるか、具体的な戦略を立案できる知識が身につきます
プログラム	１．π０理解に必要な前提知識　　（１）．基礎アーキテクチャ（Vision＆Language）　　　　ａ．Vision Transformer（ViT）　　　　　　・画像をパッチに分割し、特徴量を抽出する仕組み　　　　ｂ．Large Language Models（LLM）　　　　　　・指示文を解釈するトークナイザーとTransformerの基礎　　　　ｃ．Multimodal Alignment 　　　　　　・視覚情報と言語情報を同じベクトル空間で扱う手法（CLIP等）　　（２）．ロボット学習・行動生成（Action）　　　　ａ．Action Chunking 　　　　　　・一時的な動作ではなく、一連の動作シーケンスをまとめて出力する技術　　　　ｂ．Model－Based vs Model－Free 　　　　　　・従来の物理計算による制御と、データ駆動型制御の違い　　　　ｃ．Multi－Embodiment Learning 　　　　　　・形状や関節数が異なるロボット（アーム、双腕、移動型）を単一モデルで扱う概念　　（３）．生成AIの数学的背景（最重要）　　　　ａ．Diffusion Models（拡散モデル）　　　　　　・ノイズから行動を生成するプロセスの理解　　　　ｂ．Flow Matching：π０の核となる技術　　　　　　・拡散モデルより効率的に、確率分布間の最短経路（直線的な流れ）を学習する手法　　　　ｃ．V－prediction 　　　　　　・ニューラルネットワークが「何」を予測ターゲットにするかという学習目標の設計２．VLAの基礎と定義：VLAとは何か？　　（１）．背景　　　　ａ．LLM→VLM→VLAの進化　　　　ｂ．なぜ「Action」が必要か、認識→意思決定→実行の統合　　（２）．VLAの定義　　　　ａ．Vision－Language－Actionモデルの構造　　　　ｂ．ポリシー学習との関係　　　　ｃ．Robotics／embodied AIとの接続　　（3）．代表例の俯瞰　　　　ａ．RT－1/RT－2 　　　　ｂ．OpenVLA 　　　　ｃ．πシリーズ３．ロボット基盤モデル「π０」技術とそのポイント：「π０」を学習するための５ステップ　　（１）．ステップ１：VLAの源流を知る（RT－１／RT－２）　　　　ａ．Googleが発表したRT－１（Robotics Transformer）とRT－２を学習する　　　　　　・「ロボットの動作を『言葉』と同じようにトークンとして扱う」という基本概念　　（２）．ステップ２：拡散モデルによる行動生成を学ぶ（Diffusion Policy）　　　　ａ．π0の前身となるトレンドであるDiffusion Policy 　　　　　　・ロボットの「カクカクした動き」を抑え、滑らかで多様な動きを生成するために、なぜ確率モデルが必要なのか　　（３）．ステップ３：Flow Matchingの理論習得　　　　ａ．π０が拡散モデルを捨てて採用したFlow Matchingの論文　　　　　　・常微分方程式（ODE）を用いた生成プロセスが、なぜ従来の拡散モデルより計算コストが低く、精度が高いのかを数学的に押さえる　　（４）．ステップ４：マルチエンボディメントとデータの理解　　　　ａ．π０の強みは「膨大な種類のロボットデータ」で学習している点にある　　　　　　・Open X－Embodiment Datasetなどの公開データセットの構成を学ぶ　　　　　　・異なるハードウェア間でどうやって知識を共有しているのか（クロスドメイン学習）　　（５）．ステップ５：π０固有のテクニック（Post－training）　　　　ａ．Physical Intelligence社のブログや論文から、π０の特有の工夫を学ぶ　　　　　　・Pre－training：大規模データでの一般学習　　　　　　・Post－training：特定のタスクに特化させるための強化学習や微調整（Fine－tuning）の手法
キーワード	Vision Transformer　 Large Language Models　 Transformer　 Multimodal Alignment　ロボット学習　行動生成　Model－Based　 Model－Free　データ駆動型制御　Multi－Embodiment Learning　拡散モデル　V－prediction　 VLA　 Diffusion Policy　 Flow Matching　マルチエンボディメント　Post－training
タグ	AI・機械学習、ソフト管理、ソフト教育、組み込みソフト、ロボット、制御
受講料	一般 (1名)：49,500円(税込) 同時複数申込の場合(1名)：44,000円(税込)
会場	オンラインセミナー本セミナーは、Web会議システムを使用したオンラインセミナーとして開催します。

ロボット基盤モデル・VLAの基礎と最新基盤モデル「π0」によるロボット制御への応用 ＜オンラインセミナー＞

講師の言葉

セミナー詳細

オンラインセミナー