NVIDIA、GB300自律組み立てロボット研究を発表

米NVIDIAのSeattle Robotics Lab（SRL）は、製造受託大手のFoxconn（鴻海精密工業）およびNVIDIA Isaac開発チームとの共同研究として、最先端AIスーパーチップ「GB300」のテスタートレイ組み立てを自律化するロボットシステムの研究成果「The Machines that Make the Machines」を発表した。熟練作業員の手作業に依存していた重量部品の締結や変形する精密ケーブルコネクタの挿入において、深層学習一辺倒ではなく古典的制御理論と特化型ビジョンモデルを融合させた実用的アプローチにより、成功率95%以上を達成した。

GB300トレイ製造における2大難関作業の自動化

AI基盤モデルの学習・推論を支えるGB300の出荷前検証用テスタートレイは、従来は厳格な精度要求と部品公差のばらつきから、人間の手作業による組み立てが不可欠であった。研究チームは製造現場の要求に基づき、以下の2つの重要工程を対象にロボット化を進めた。

• ​バスバー（大電流伝送バー）の組み立て​: 重く長い金属バーを把持してトレイへ搬送し、16カ所のネジ留めと治具の脱着を実施。2台のFlexiv Rizon 4Sアームと1台のUR10eネジ締めロボットを連携させ、目標成功率99.5%に迫る95%以上を達成した（サイクルタイムは目標124秒に対し160秒）。
• ​マルチコネクタ挿入​: ケーブル先端にある2つの大型DC-SCIコネクタと2つの小型MCIOコネクタを持ち上げ、クリアランスの極めて狭い基板側ソケットへ挿入。Metaのセグメンテーションモデル「SAM3」でケーブル中心線を検出し把持した後、特化型姿勢推定モデル「DOPER」でコネクタ位置を特定して挿入する。

ソフトウェア基盤には、モーションプランニング（cuRobo）や姿勢推定をマイクロサービス化したDockerアーキテクチャと、500Hz以上の高周波ループで動作するロボットオーケストレーション基盤「TALOS」を導入した。

「逆ビターレッスン」：E2E学習の限界と古典制御の再評価

ロボット工学の学術界では、大規模データを用いたエンドツーエンド（E2E）学習（拡散ポリシーや行動チャンキング）が注目を集めている。しかし研究チームは、現実の製造ラインにおける本課題を通じて「逆ビターレッスン（Inverse Bitter Lesson）」と呼ぶ教訓を得たと報告している。

高価で塑性変形しやすい特殊ケーブルは、実機データを何千回も収集する前に物理的に劣化してしまうため、大規模データの収集自体が現実的でなかった。このため、E2E学習から以下のようなモジュラー構成への回帰が不可欠となった。

手法・コンポーネント	E2E学習（一般的な研究アプローチ）	本研究のアプローチ（モジュラー型）
コントローラ	単純な位置制御 / 速度制御	高性能インピーダンス制御（自動ダンピング・慣性補償）
姿勢推定	汎用基底モデル	特化型モデル「DOPER」（CAD合成データ＋3D再構成で訓練）
システム統合	ブラックボックスポリシー	TALOS基盤によるプランナー・制御・認識の明示的分離
データ効率	膨大な実機デモデータが必要	少量の合成データと幾何拘束で適応可能

熟練制御工学に基づく接触力制御を組み合わせることで、高価な基板を破損させることなく安全な挿入を実現した。

フィジカルAIによる次世代製造ラインの展望

今回の研究成果は、高度なAIチップを作るための装置自体をAIと自律ロボティクスで製造するという、ハードウェア供給網の自律化に向けた重要なマイルストーンである。

固定治具で環境をガチガチに固める従来のライン自動化とは異なり、部品の個体差やケーブルの変形に柔軟に適応できる「フレキシブル・オートメーション」は、設計変更サイクルの速い最先端半導体パッケージングにおいて強力な武器となる。Foxconnなどの量産拠点への実導入が進むことで、AIインフラの供給速度向上と品質均一化が期待される。

引用元：NVIDIA Technical Blog