コンテンツにスキップ

Physical AI Playbook

最終更新: 2026-09 · owner: Youngjin · volatility: 中

L0 TL;DR: 顧客のロボット業務に合う技術を判断し、AWSで実験・評価・運用へ進む案内です。業務適合性・総費用・実行条件を先に確認します。

非公式資料

個人が運営する資料でありAWS公式文書・見解ではありません。技術・ライセンス・料金・リージョンはリンク先一次資料と確認日を見ます。サンプルコードやサービスGAは現場成果を保証しません。

役割別に開始

役割 経路 成果物
顧客意思決定者 開始・ROI → 経営層資料 業務・代替・予算・承認条件
顧客技術者 実行 → 対象ピラー → 運用 結果・費用・配備復旧の証拠
AWS担当者 対話ガイド → 判断 ヒアリング・適合判断・引継ぎ

技術参照 — 5つのピラー

ピラー 内容
P1 データ 収集・権利・形式・品質・学習パイプライン
P2 学習 選定・ライセンス・資源見積・評価
P3 シミュレーション 環境・ツール・並列実行・費用
P4 Sim-to-Real 実機移行・エッジ配備・検証・安全
P5 オーケストレーション 業務計画・スキル・権限・接続

ラベルと検証範囲

GA/Preview/Researchは発売状態です。原文照合・再現・現場検証、用途、支援主体は別に確認します。[1]公式資料論文、[2]記録付き再現、[3]メーカー発表、[4]未確認は出典種別で、AWS承認ではありません。根拠と維持管理を参照します。

以下は探索用の質問例で、実測した問い合わせ頻度順位ではありません。質問から入り、提案前にカードを確認します。

よくある質問 Top 20

# 質問 行き先 出典
1 「Isaac Sim / Isaac Lab を AWS でどう動かしますか?」 pillar-3 シード ⚠️
2 「VLA モデル学習（ファインチューニング）のインフラはどう組めばよいですか?」 pillar-2 シード ⚠️
3 「GPU が確保できません — On-Demand、Capacity Blocks、代替案のうち何を使うべきですか?」 decisions シード ⚠️
4 「sim-to-real1 gap は実際どう克服しますか? 検証済みの方法はありますか?」 pillar-4 シード ⚠️
5 「ロボットのリアルタイム制御（30–100Hz）ですが、推論をクラウドに置けますか?」 decisions シード ⚠️
6 「基盤モデル（GR00T/π0 など）をファインチューニングしますか、自前で学習しますか?」 decisions シード ⚠️
7 「ロボット学習データをどう集め、どこに蓄積すべきですか?（テレオペレーション/合成データ）」 pillar-1 シード ⚠️
8 「NVIDIA フルスタックにどれだけ依存しますか? オープンソース代替案は?」 decisions シード ⚠️
9 「エッジデプロイ（Jetson など）と AWS をどう連携しますか?」 pillar-4 シード ⚠️
10 「LLM エージェント2でロボット/設備を指揮するアーキテクチャは実際に成り立ちますか?」 pillar-5 シード ⚠️
11 「これを全部回すと GPU コストはどれくらい? 予算はどう見積もりますか?」 start AWS Embodied AI ブログ
12 「既存の ROS 23 スタック・rosbag4 データを AWS とどう連携しますか?」 pillar-1 AWS ROS 2 on Isaac ブログ
13 「複数ノードに学習をスケールするには? AWS Batch vs SageMaker HyperPod?」 pillar-2 Isaac Lab on SageMaker
14 「実機デプロイ前にポリシーが実際に動くかをどう検証・ベンチマークしますか?」 pillar-4 NVIDIA ポリシー評価
15 「ロボット/工場データが機微ですが、クラウド学習は規制上問題ないですか? オンプレ・ハイブリッドは?」 decisions AWS AI 主権
16 「学習したポリシーをどうバージョン管理・再現し、チェックポイントを復旧しますか?」 pillar-2 Isaac Lab on SageMaker
17 「Isaac Sim・オープンモデルを商用製品に使えますか? NVIDIA AI Enterprise はいつ必要?」 pillar-3 NVIDIA Isaac Sim
18 「ポリシー推論をリアルタイム（低遅延）に最適化するには? TensorRT・量子化5・action chunking6?」 pillar-4 NVIDIA Jetson Edge AI
19 「設備/工場のデジタルツイン7を作りロボットシミュレーションと連携するには? TwinMaker・Omniverse?」 pillar-3 AWS Physical AI ブログ
20 「ML の専門家がいません — どこから始めますか? 最小 PoC の設計は?」 start AWS Physical AI ブログ

ページ一覧

はじめに

技術ピラー

経営層

ニュース・資料

リファレンス

owner: Youngjin · updated: 2026-09 · volatility: 中

  1. sim-to-real — シミュレーションで学習したポリシーを実際のロボットへ移すこと、またはその方法論です。シミュレーションと現実の物理・視覚の差（ドメインギャップ）のため、そのまま移すと性能が崩れます。🎥 NVIDIA sim-to-real ロボティクスショーケース ↩

  2. LLM エージェント — 大規模言語モデルが自ら計画を立て、ツール（API・ロボットスキル）を選んで呼び出し、多段階のタスクを遂行するソフトウェアです。単純な質疑応答と異なり「行動」がある点が核心です。 ↩

  3. ROS 2 (Robot Operating System 2) — ロボットソフトウェアの事実上の標準オープンソースミドルウェアです。センサー・制御ノードがトピック（topic）で通信する分散構造で、産業・研究ロボットスタックの共通基盤です。 ↩

  4. ROS bag（rosbag2） — ロボットオペレーティングシステム ROS 2 がトピック（センサー・コマンドのストリーム）を丸ごと録画する標準ログフォーマットです。ロボット企業の元データの事実上のデフォルト形態ですが、そのままでは学習に使えず変換が必要です。 ↩

  5. 量子化（quantization） — モデルの重み・演算を FP16→INT8/FP4 のように低い精度へ変換し、メモリと演算量を削減する軽量化手法です。エッジデバイスで遅延予算を満たすための中核手段であり、精度損失とのトレードオフを管理します。 ↩

  6. Action chunking — 1回の推論で複数の未来動作を生成します。実行頻度と新観測への反応頻度は別で、実行区間・切替・遅延をモデル別に検証します。 ↩

  7. デジタルツイン（digital twin） — 実際の工場・倉庫・ロボットを物理的に忠実に模した仮想レプリカです。実環境に触れずにポリシー学習・検証・シナリオ実験を可能にします。 ↩