具身AI向けのロボット眼球「EyeVLA」が登場：回転とズームで微小なディテールを捉える

人間は物を見るとき、首を動かし、眼球を回転させ、遠くの文字には自然と視線を集中させてピントを合わせます。しかし現在の多くの身体性AI（Embodied AI）ロボットは、固定されたカメラで周囲を平面的に捉えているのが実情です。

これまでのRGB-Dカメラシステムは、広い視野の確保と微細なディテールの取得を両立させることが難しく、高価なセンサーを追加して補うケースが目立っていました。

上海交通大学、中国科学院、大連理工大学の研究チームは、この課題を解決する人間の眼球を模した能動的視覚システム「EyeVLA」を開発し、プレプリントサーバーarXivで論文を公開しました。

追加の高額センサーに頼ることなく、ロボット自らが回転してズームインし、必要な視覚情報をピンポイントで取得できる仕組みです。

カメラの動作をトークンとして扱う仕組み

EyeVLAの最大の特徴は、ハードウェアの動きを大規模言語モデルの思考プロセスに直結させた点にあります。

研究チームは強化学習を用い、カメラの回転やズームといった物理的な挙動を「アクショントークン」に離散化しました。AIが文章の次の単語を予測するのと同じ自己回帰の枠組みで、次にどこを見るべきかを判断します。

さらに、関心のある対象を2次元のバウンディングボックスで囲むことで推論の連鎖をガイドします。これにより、最小限の実世界データだけで、既存の視覚言語モデル（VLM）が持つオープンワールド理解能力を、ロボットのアクション制御へ移植することに成功しました。

屋内環境での実機テストでは、ユーザーの自然言語指示を受け取ったEyeVLAが、自律的に最適な画角へ回転・拡大し、目的の物体を高精度に認識できることが実証されています。

なぜ重要か

私たちは、センサーの物量作戦に頼らず「能動的な視線移動」によって認識精度を高めるアプローチは極めて合理的だと考えます。

ロボットが活動するすべての空間を超高解像度カメラで常時監視するのは、コスト面でも計算資源の面でも無駄が多すぎます。人間の目のように「必要なときだけズームする」仕組みを導入できれば、倉庫でのピッキングやインフラ点検、家庭用家事ロボットの製造原価を大幅に引き下げられる可能性があります。

一方で、可動部が増えることによる長期的な耐久性の低下や、物理的なズーム動作に伴うわずかな遅延は、リアルタイム性が求められる動的環境での課題として残るでしょう。

それでも、視覚・言語・身体動作を同一のシーケンスで統合して能動的に世界を観察させるこの手法は、今後のロボット知能の標準的なアーキテクチャに一石を投じる成果と言えます。