2DGIS
位置と属性を持つ地図
現場の位置と属性を網羅的に持つ、参照のための基盤。AIの進化により、あらゆる分析の土台として使われるようになりました。
- 次元
- x, y
- 価値
- データの網羅性
01 — Concept
仮想で決め、現場で育てる
RobotBrainは、仮想空間で構成と制御を決めるSpaceBrainと、現場で動くロボットをつなぐ、接続・運用・学習の基盤です。仮想空間で検証した構成を実機へ渡し（Sim to Real）、現場の実測データを仮想空間へ戻す（Real to Sim）。この往復を回し続けることで、ロボットは現場で使うほど賢くなります。
Engine仮想で決める
空間を生成し、物理・学習・評価で構成と制御を決める
- 3D空間の自動生成
衛星画像・BIM・点群から - 物理シミュレーション
ロボットと現場の相互作用を再現 - シナリオ・比較
通常系と異常系を事前に計算 - 画面・配信
役割別の画面・映像
OUT検証済みの構成・制御方策・根拠
SpaceBrain カタログSim to Real
構成・制御・安全条件
Real to Sim
実測ログ・差分・失敗
Extension現場で使い、育てる
機体をつなぎ、4つの用途で現場のロボットに使う
- 導入前検証
入れる前に、仮想で確かめる - 運用最適化
動かしながら、計画を更新する - 学習データ
AIに、現場を学ばせる - 訓練
人を、仮想空間で育てる
OUT現場運用・実測データ・改善ログ
共通基盤
案件ごとのID・共通データモデル・アセット管理で、仮想と現場の成果物を一つの版管理に束ねます。
Demo Film
すべてのロボットに、ひとつの脳を。
見る・考える・動く・広げる。ロボットの視点での認識から、複数台による自律的な判断、現場での作業、数千台規模の同時シミュレーションまで、RobotBrainのデモをまとめた映像です。
02 — Evolution
ロボットが働ける空間へ
位置と形状に、物理・観測・学習・評価を重ねる。デジタルツインを、ロボットを導入前に試せる「空間知能」へと進化させます。
3DDigital Twin
形状と外観を持つデジタルツイン
建物や設備の形状と見た目を精緻に再現するモデル。AIの進化により、生成と更新が効率化されています。
- 次元
- x, y, z
- 価値
- モデルの精度
4DSpatial Intelligence
AIと物理で、相互作用を生む空間知能
時間の軸と物理法則を加え、ロボットと現場の相互作用を再現する空間。ロボットを入れる前に試し、評価と制御までを担う、導入の土台になります。AIが進化するほど、強くなります。
- 次元
- x, y, z, t
- 価値
- 評価・制御
POINT2D・3Dは現場を映す地図。4Dの空間知能は、ロボットを入れる前に試し、評価・制御までを担う導入の土台です。
03 — Why RobotBrain
差がつくのは、現場への実装と運用
ロボットを買うだけでは、現場は変わりません。現場に入れて動かし、運用まで回せるかで成果が決まります。RobotBrainは、屋内の工場・倉庫から、屋外の施設・港湾・街区まで、ロボットの実装と運用を仕組みとして支えます。
01
現場生産性
Productivityこれまで
作業単位の自動化では、待ち・干渉・再調整が残る
RobotBrain
人・ロボット・設備を跨いで、現場全体を再計画する
02
熟練者依存
Expertiseこれまで
異常時の判断や段取り変更が、経験者に集中する
RobotBrain
シミュレーションで複数案を比較し、判断を標準化する
03
ロボット投資効率
Investmentこれまで
メーカー別の個別導入で、接続・運用の調整が都度発生する
RobotBrain
共通の仕組みで機種をまとめ、横展開の費用を下げる
04
データ資産化
Data Assetsこれまで
成功・失敗の知見が、現場・案件ごとに散在して消える
RobotBrain
運用の記録を資産として蓄積し、次の現場・次の工程で再利用する
競争力の源泉は、ロボットの機体ではなく、現場に実装し、運用まで回せるかにあります。
04 — Use Cases
4つの用途で、現場のロボットに使う
導入前の検証から、日々の運用、AIの学習、人の訓練まで。同じ仮想空間と同じデータを、4つの用途に使います。
01
Pre-deployment
導入前検証
入れる前に、仮想で確かめる。
ロボットや車両の経路、干渉、必要な台数、充電や設備との連携を、導入前に仮想空間で確認します。
経路干渉台数設備連携
02
Operations
運用最適化
動かしながら、計画を更新する。
複数機種のロボットをまとめて管理し、実績をもとに日々の計画や点検ルートを見直します。
フリート管理日次の再計画点検ルート
03
Training Data
学習データ
AIに、現場を学ばせる。
現場を再現した合成データや模倣学習で、ロボットのAIを日本の現場環境に適応させます。
合成データ模倣学習VLA
04
Operator Training
訓練
人を、仮想空間で育てる。
遠隔オペレーターの操作や異常時の対応、新任者の教育を、実機を止めることなく仮想空間で行います。
遠隔操作異常時対応新任者教育
05 — Architecture
共通基盤に、現場データを載せる
中央の共通基盤は、産業を問わず同じです。産業ごとのデータ源を差し替え、4つの用途で現場のロボットに使います。
Data Sources産業ごとに差し替え
衛星・航空画像
現地測量なしで広域の3Dを生成
施設・空間データ
BIM／CAD・3D都市モデル・点群・図面
現場の稼働データ
IoT・人流・設備・ロボット・WMS／PLC
外部シミュレーター
水理・地震・気象・交通・電波
業務・制約
工程・運用ルール・KPI・法規
Platform産業を問わず共通
ロボット導入の共通基盤
時刻・位置・設備・ロボット・作業を一つのデータモデルに統合し、空間の生成からシミュレーション、ロボットとの接続・運用までを担います。
共通データモデル3D空間の自動生成物理シミュレーションシナリオ・比較画面・配信学習ループ
Robot Connectivity機種の違いを吸収し、4つの用途を現場の機体で実行する
Use Cases4つの用途
01
導入前検証
経路・干渉・台数・設備連携を仮想で確認
02
運用最適化
フリート管理・日次の再計画・点検ルート
03
学習データ
合成データ・模倣学習・現場環境への適応
04
訓練
遠隔オペレーター・異常時対応・新任者教育
Principle
既存のシステムは置き換えず、標準のデータモデルとAPIでつなぎます。専門的なモデルは外部のライブラリとして差し替えられるため、現場ごとの条件に合わせて柔軟に構成できます。
06 — How It Works
仮想で試し、現場で動かし、実績から学ぶ
RobotBrainは2つのループで動きます。導入前は、仮想空間で構成と制御を繰り返し改善し、合格したものだけを実機へ。導入後は、現場の実績を毎日モデルへ戻し、次の計画に活かします。
Loop 01 — Deployment Design
導入設計ループ
現場の課題を、空間・機体・訓練・評価へ落とし込み、導入前にロボットの構成と制御を反復して更新します。
01空間を理解
通路・棚・段差・作業地点から、ロボットが守るべき制約をつくる。
02仕事を分解
認識・把持・搬送・受け渡しなど、作業を単位に分ける。
03構成を選択
機種・台数・配置・役割の案をつくる。
04訓練・実行
仮想空間で現場を再現し、ロボットの制御を学習させる。
05結果を評価
処理量・完了率・衝突・待ち時間を測る。
06構成を更新
制御・配置・台数・分担を変えて、再び試す。
合格した構成と制御だけを、検証と承認を経て、RobotBrainで実機へ渡します。
Loop 02 — Field Learning
現場学習ループ
実機の走行・作業・異常を夜のうちにモデルへ反映し、翌朝には改善案が現場とロボットに届く。現場の実績を、翌日の計画に戻します。
- Eveningデータを締める
走行・停止・作業・異常・ヒヤリハットを集め、時刻・位置・IDで統合する。
- Night差分を確認
欠損や現場の変更を確かめ、現場責任者が反映を承認する。
人の承認 - Nightモデルを更新
施設・作業条件、失敗シナリオ、ロボットの設定を更新し、版を残す。
- Night再検証
標準・ピーク・障害時の条件で再実行し、改善案とリスクを抽出する。
- Morning改善案を配信
推奨の動線・配置・手順・注意点を、現場とロボットへ届ける。
- Day実行と記録
ロボットが計画を実行し、採用・却下の理由と実績を記録する。
人が判断するのは差分の承認だけ。ほかは自動で回り、翌日のサイクルへつながります。
Approach
導入の進め方
小さく仮想で試し、実環境で検証し、うまくいった型を横展開する。段階ごとに確かめる問いを変え、条件を満たしたら次へ進みます。
STEP 01
空間を再現し、計画を比較
計画の成立性を仮想空間で検証する
「この配置・経路で通れるか」
STEP 02
ロボットの仮想試運転
状況を認識し、動作を検証する
「見て、止まり、避けられるか」
STEP 03
現場で実行し、改善
実機で実証し、日次で学習・改善する
「現実でも成り立ち、良くなるか」
STEP 04
型を横展開
他の拠点・施設・産業へ広げる
「別の現場でも機能するか」
07 — Catalog
製品カタログ
センサーやロボットは、現場に置いてみるまで「どこが見えないか」「どこまで行けるか」「何台要るか」がわかりません。実在の街や施設を再現した3D空間に製品を置き、導入前に効果と課題を確かめる7つのデモを紹介します。カードを選ぶと、デモの映像を再生できます。
映像はブラウザ上で動く簡易版のデモです。表示している現場名・機種名・数値は、すべて架空のサンプルです。
01
Coverage Twin
センサー・カメラ配置検証
課題死角による事故と、付けすぎによる費用増
倉庫や工場で、固定センサー（LiDAR・AIカメラ）をどこに何台置けば死角が最小になるかを、実際にレイを飛ばした結果で比べます。センサーを1台外したときに増える死角や、配置案ごとの費用も同じ画面で確かめられます。
02
Fleet Sizer
倉庫の混在フリート検証
課題AMRの台数・充電器の置き場所・人との干渉
AMR・自動フォークリフト・作業者が同時に動く倉庫で、何台あれば出荷に間に合うか、どこが詰まるかを確かめます。台数を変えると、処理量のカーブと渋滞箇所がその場で再計算されます。
03
Vertical Delivery Twin
館内配送ロボットとエレベーター・ゲートの連携
課題階の移動での待ちと、人との取り合い
病院の配送ロボットがエレベーター・ゲート・自動ドアをどう使えば、配送件数と来院者の待ち時間を両立できるかを比べます。運行ルールや連携方式を切り替えて、1日の配送件数と待ち時間を評価します。
04
Sat-to-Patrol
衛星とロボットによるインフラ点検
課題点検員の不足と、優先度の根拠の弱さ
衛星InSARで測った地盤の沈下速度から点検すべき場所を抜き出し、四足ロボット・ドローン・点検員の巡回計画と撮影品質を事前に評価します。しきい値を変えると、優先エリアと点検ルートが組み直されます。
05
SDG Factory
日本の現場向け合成データ
課題日本の現場向けの学習データが足りない
建設現場のデジタルツインで、照明・天候・資材・人物を変えながら、実際のカメラの画角で学習用の画像とラベルを自動で作ります。カメラの取付高さや俯角を変えると、期待できる認識精度も同時に変わります。
06
Remote Ops Dojo
遠隔オペレーター訓練
課題実機では異常を起こして訓練できない
夜間の商業施設で、警備・清掃ロボットに転倒者や不審物などのイベントを差し込み、遠隔オペレーターの初動を採点します。1人で何台までロボットを見られるかも示します。
07
Disaster Reach
災害時のロボット投入計画
課題災害の初動で、どの機体がどこまで入れるかわからない
地震と河川氾濫のあとの72時間を3D都市モデルの上で進め、UGVとドローンが届く範囲と、通信が届く範囲を時間ごとに示します。中継器を増やすと、未到達の地点がどれだけ減るかも確かめられます。
Consultation
機種の選定から、導入前の仮想検証、複数機種の組み合わせまで。対象の現場に合わせてご提案します。
Catalog Specification
シミュレーションで使える機種データ
仕様表だけでなく、3D・物理モデルと接続方式まで揃えて機種を登録します。仮想空間での検証から実機の運用まで、同じ機種データを使います。
01基本
製品名・メーカー・カテゴリ・対応タスク・適用工程・屋内外
施設・工程・タスクの3軸で候補を絞る
02性能
寸法・重量・可搬重量・速度・稼働時間・段差・傾斜・防塵防水
通路幅・段差・積載が成り立つかを判定する
03知覚・接続
搭載センサー・測位方式・外部連携の方式・通信方式
機種の違いを吸収し、混在での運用を可能にする
04シミュレーション
3Dモデル・物理モデル・センサーモデル・デジタルツインへの適合度
仮想空間で試運転し、実機の前に課題を洗い出す
05安全・運用
安全規格・非常停止・人との共存・導入形態・保守
導入可否の判断と、運用ルールづくりに使う