Physical AIを始める前に押さえておきたい100用語 - 半導体事業

条件を指定して絞り込む

現在2242件がヒットしています。check

基礎 NVIDIA

用語集を作る背景

Physical AIの検討では、学習用コンピューター、シミュレーション・合成データ生成用コンピューター、実機推論用コンピューターを分けて考える必要があります。NVIDIAの資料では、この考え方がNVIDIA DGX™ 、NVIDIA RTX PRO™ Server、NVIDIA Jetson™ などの製品群と、NVIDIA Isaac Sim™ 、NVIDIA Isaac™ Lab、NVIDIA Omniverse^™、NVIDIA Cosmos™、NVIDIA Isaac™ GR00Tといったソフトウェア群にまたがって登場します。

予備知識がない管理者にとってわかりにくいのは、製品名、基盤技術、開発ツール、検証条件が同じ文脈で使われる点です。たとえば、OpenUSDは3Dデータ基盤であり、NVIDIA Isaac Simはロボットシミュレーション環境、NVIDIA® TensorRT™は推論最適化、NVIDIA Triton Inference Serverは推論サービング基盤です。役割を分けて理解しないと、サーバー選定やPoC条件の議論が曖昧になります。

そこで本稿では、NVIDIA製品・用語、仮想検証、AIモデル開発、実機統合、評価・運用に関する用語を全100項目に整理しました。各用語は、管理者が現場エンジニアに確認すべき観点がわかるよう、要件定義・技術報告での意味に絞って説明します。

想定読者

・ Physical AIやAIロボットの企画・PoCを担当する管理者、DX推進責任者
・現場エンジニアから技術報告を受け、投資・継続・中止を判断する立場の方
・ロボット、AI、シミュレーションのいずれかは経験があるが、分野横断の会話に不安がある方
・ NVIDIAのロボティクス技術記事、提案書、構成図を読み解きたい方

この用語集の使い方

最初に「Physical AI」と「NVIDIA製品の概要」を理解したうえで、全体像を把握してください。

Physical AIについてはこちら

NVIDIA製品の概要についてはこちら

次に、仮想空間での検証ではシミュレーション、OpenUSD、合成データ、学習の用語を確認します。
サーバー採用の判断では、GPU、GPUメモリー、CPU、ネットワーク、ストレージ、ソフトウェア対応、運用責任を必ずセットで確認してください。

基礎理解編：Physical AIで押さえたい100用語

NVIDIA製サーバー採用、仮想空間での検証、実機展開を同じ流れで理解するための用語です。

前半33用語は、初めて読む方が全体像から実務判断まで段階的に理解できるよう、トップダウンで配置しています。
まずPhysical AIの考え方を押さえ、次にロボット、AI、データ、シミュレーション、NVIDIA製品、最後にPoCやKPIなど判断に必要な用語へ進む構成です。

No.	用語	分類	要件定義・技術報告での意味
1	Physical AI	概念	現実世界を知覚し、推論・計画し、機械を通じて行動するAI領域。要件では対象環境、行動、責任境界を明確にする。
2	ロボティクス	分野	機構、電気、制御、認識、計画、ソフトウェアを統合してロボットを成立させる技術分野。
3	ヒューマノイド	ロボット	人に近い身体構成を持つロボット。既存の人向け設備を使える可能性と、歩行・全身制御の難しさを併せ持つ。
4	マニピュレーター/アームロボット	ロボット	物体の把持・移動・組付けなどをする多関節機構。可搬重量、リーチ、自由度、精度が主要仕様。
5	エンドエフェクタ	機構	アーム先端のハンド、グリッパ、工具。対象物、把持力、接触条件に合わせて選ぶ。
6	自律動作	概念	人の逐次操作なしに認識・判断・行動すること。自律範囲と人の介入条件を要件化する。
7	AIモデル	AI	入力から認識・予測・行動を出力する学習済みの仕組み。モデル名だけでなく入出力と前提条件を確認する。
8	学習（Training）	AI	データからモデルのパラメーターを更新する工程。学習時間、計算資源、再現性を管理する。
9	推論（Inference）	AI	学習済みモデルから結果を得る処理。現場では遅延、処理周期、消費電力が重要。
10	VLA	AI	視覚、言語指示、行動をつなぐVision-Language-Actionモデル。入力条件と出力する行動表現を確認する。
11	NVIDIA Isaac GR00T	NVIDIA	ヒューマノイド向け基盤モデルとワークフロー群。適用時は対応ロボット、データ形式、追加学習条件を確認する。
12	データセット	データ	学習・評価に用いるデータ群。件数だけでなく条件網羅性、品質、ラベル、分割方法が重要。
13	Teleoperation	データ取得	人が遠隔操作して動作を教え、映像・関節・指示などを記録する方法。
14	実機データ	データ	実ロボット・実環境から取得するデータ。価値が高い一方、収集コストと安全制約がある。
15	合成データ	データ	シミュレーションなどで生成するデータ。現実との差と、条件の作り方を評価する。
16	World Foundation Model	AI	物理世界の状態や変化を表現・生成する基盤モデル。データ生成や予測への利用目的を明確にする。
17	デジタルツイン	シミュレーション	現実の設備・環境・状態を仮想空間で表現する考え方。必要な忠実度と更新範囲を決める。
18	Sim-to-Real	開発手法	シミュレーションで開発・学習した成果を実機へ移す考え方。差分の評価と補正が中心課題。
19	NVIDIA Omniverse	NVIDIA	OpenUSDを基盤に3Dデータやシミュレーション資産を連携する技術群。
20	NVIDIA Isaac Sim	NVIDIA	ロボット向けシミュレーション環境。物理、センサー、周辺環境、ROS 2連携などを検証する。
21	NVIDIA Omniverse Replicator	NVIDIA	条件を変えながら合成データと正解情報を生成する仕組み。
22	ROS 2（Robot Operating System 2）	基盤	ロボットの機能を分割・接続するミドルウェア。通信設計、QoS、ノード構成が要件になる。
23	NVIDIA Isaac™ ROS	NVIDIA	ROS 2上で認識・ナビゲーション・操作などをGPUで高速化するパッケージ群。
24	エッジAI	実装	ロボットや設備の近くでAI処理をする構成。遅延、電力、耐環境性、更新方法を確認する。
25	NVIDIA Jetson	NVIDIA製品	エッジAI向けコンピューティング製品群。必要性能、I/O、電力、ソフトウェア対応で選定する。
26	GPU（Graphics Processing Unit）	計算基盤	並列計算に適したプロセッサ。学習、シミュレーション、推論で必要要件が異なる。
27	NVIDIA RTX™（Ray Tracing Texel eXtreme）	NVIDIA製品	リアルタイムレンダリングやAI計算に使われるGPU技術・製品ブランド。構成名とGPU型番を分けて確認する。
28	PoC（Proof of Concept）	プロジェクト	概念実証。成功条件、失敗条件、判定者、次段階への出口を開始前に定める。
29	KPI（Key Performance Indicator）	評価	成果を判断する指標。処理時間、成功率、介入回数、復旧時間、コストなどを定量化する。
30	VLM（Vision Language Model）	AI	画像や映像と言語を組み合わせて理解・説明するモデル。入力画像、指示文、出力形式、誤認識時の扱いを確認する。
31	デプロイ	実装	学習済みモデルやロボットソフトウェアを実行環境へ配置・更新すること。版管理、戻し手順、性能劣化時の対応を決める。
32	NVIDIA Isaac™ Lab	NVIDIA	ロボット学習や強化学習のための開発環境。タスク、環境、報酬、学習条件を実験単位で管理する。
33	NVIDIA Cosmos	NVIDIA	物理世界の状態変化を理解・生成するWorld Foundation Model群。合成データ生成、シミュレーション補助、ロボット学習への利用目的を確認する。

実務編：分類別に引ける追加67用語

後半67用語は、会議中や技術報告の確認時に引きやすいよう、分類ごとにまとめています。各分類内では、英語用語はABC順、日本語用語はあいうえお順を意識して並べ、必要な観点をすばやく参照できる構成にしています。

No.	用語	分類	要件定義・技術報告での意味
34	自由度（DoF）	機構	独立に動かせる軸の数。タスクに必要な姿勢・作業空間を満たすかを判断する。
35	順運動学（FK）	制御	関節角から手先位置・姿勢を計算する。状態推定や可視化の基礎。
36	逆運動学（IK）	制御	目標手先位置・姿勢から関節角を求める。同じ目標に複数解または解なしがあり得る。
37	ヤコビアン	制御	関節速度と手先速度などの関係を表す行列。特異点解析や速度制御で用いる。
38	特異点	制御	特定方向に動けない、または関節速度が過大になる姿勢。動作計画で回避条件にする。
39	軌道計画	制御	時間に沿った位置・速度・加速度の系列を作ること。サイクルタイムと滑らかさに影響する。
40	モーションプランニング	計画	障害物や関節制限を考慮して経路を探索すること。成功率と計算時間を評価する。
41	衝突判定	シミュレーション	ロボット、設備、対象物の接触・干渉を検出する処理。形状近似と計算負荷のバランスが必要。
42	自己衝突	安全・制御	ロボット自身のリンク同士が干渉すること。禁止組合せや衝突モデルで抑止する。
43	インピーダンス制御	制御	位置ずれに対する力・柔らかさを調整する制御。接触作業で重要。
44	力制御（Force Control）	制御	力・トルクを目標に接触動作を制御する。センサー範囲と制御周期を要件化する。
45	Whole-Body Control	制御	ヒューマノイドの全身を協調制御する考え方。バランス、接触、複数タスクの優先順位を扱う。
46	Zero Moment Point（ZMP）	制御	歩行安定性を扱う代表的指標。適用する制御方式の前提と併せて理解する。
47	把持計画／Grasp Planning	計画	物体形状、姿勢、摩擦などから把持位置・方向を決める。
48	6D Pose Estimation	認識	物体の3次元位置と3軸姿勢を推定する。把持・組付けの入力になる。
49	セマンティックセグメンテーション	認識	画像の各画素をカテゴリー分類する。対象領域や環境理解で用いる。
50	インスタンスセグメンテーション	認識	同一カテゴリーの複数物体を個体別に分ける。ばら積み認識などで重要。
51	深度画像	センサー	各画素に距離情報を持つ画像。欠損、反射、測距範囲を確認する。
52	点群（Point Cloud）	センサー	3次元座標の集合。密度、ノイズ、座標系、更新周期が処理性能を左右する。
53	LiDAR（Light Detection and Ranging）	センサー	レーザー測距で周囲の距離・形状を取得するセンサー。視野、範囲、反射特性を確認する。
54	IMU（Inertial Measurement Unit）	センサー	加速度・角速度などを計測する慣性センサー。ドリフトと時刻同期を考慮する。
55	力覚・トルクセンサー	センサー	接触力や関節・手先トルクを測る。過負荷保護と接触制御に使う。
56	センサーフュージョン	認識	複数センサーの情報を統合する。同期、外部パラメーター、信頼度設計が重要。
57	キャリブレーション	統合	センサー内部特性やセンサー間・ロボット間の位置関係を推定・補正する。
58	座標系（Frame）	統合	位置・姿勢を表す基準。world、base、tool、cameraなどの関係を明記する。
59	TF（Transform Tree）	ROS 2	ROS 2で複数座標系の関係を時系列に管理する仕組み。フレーム名と更新元を統一する。
60	ROS 2 Node	ROS 2	認識、計画、制御などの処理単位。責務と障害時の影響範囲を整理する。
61	Topic（Publish-Subscribe）	ROS 2	継続データを非同期配信する通信方式。型、頻度、帯域、QoSを定義する。
62	Service（Action）	ROS 2	Serviceは短い要求応答、Actionは進捗・取消を伴う長時間処理に向く。用途を使い分ける。
63	QoS（Quality of Service）	ROS 2	通信の信頼性、履歴、耐久性などを指定する設定。不一致は通信不成立の原因になる。
64	DDS（Data Distribution Service）	通信	ROS 2の分散通信を支える標準技術。ネットワーク、検出、セキュリティ設計に関係する。
65	ROS 2 Bridge	統合	シミュレーターとROS 2間でTopicなどを接続する仕組み。型、名前、時刻、座標系を合わせる。
66	URDF / Xacro（Unified Robot Description Format / XML Macros）	モデル	ロボットのリンク、関節、形状などを記述する形式/生成記法。シミュレーション用情報との差を確認する。
67	OpenUSD / USD（Open Universal Scene Description / Universal Scene Description）	3D基盤	3Dシーンを構成・参照・重ね合わせるデータ形式。NVIDIA Isaac SimではStage（Prim / Layer）の理解が重要。
68	Stage（Prim / Layer）	Omniverse	USDシーン全体、構成要素、編集層を表す主要概念。参照関係と編集先を管理する。
69	Articulation	シミュレーション	関節で接続された剛体機構の表現。関節制限、駆動、物理設定を持つ。
70	OmniGraph / Action Graph	Omniverse	ノード接続でシミュレーション処理やROS 2連携を構成する仕組み。
71	NVIDIA PhysX®	シミュレーション	剛体、接触、関節などを計算する物理エンジン。時間刻みや材質設定が結果に影響する。
72	シミュレーション時間刻み	シミュレーション	物理計算を更新する間隔。精度、安定性、リアルタイム性のトレードオフになる。
73	Real-Time Factor	シミュレーション	シミュレーション時間と実時間の進み方の比。1未満では実時間より遅い。
74	ドメインランダム化	データ生成	照明、材質、配置、ノイズなどを変え、実環境への汎化を狙う方法。
75	Ground Truth	データ	シミュレーションやアノテーションで得る正解情報。定義と生成条件を固定する。
76	模倣学習	学習	人や既存方策の動作例から方策を学ぶ。デモ品質と分布外状態への対応が課題。
77	強化学習	学習	報酬を手掛かりに試行錯誤で方策を学ぶ。報酬設計、安全な探索、Sim-to-Realが重要。
78	ファインチューニング	学習	既存モデルを自社タスク・データへ追加学習する。元モデル、データ、更新範囲を記録する。
79	エポック数	学習	学習データ全体を何回繰り返してモデルに見せるかを表す回数。過学習、学習時間、再現性に影響するため記録する。
80	ステップ数	学習	パラメーターを更新した回数。バッチサイズ、エポック数、データ件数と合わせて学習条件を確認する。
81	NVIDIA DGX	NVIDIA製品	大規模AI学習や基盤モデル開発向けのNVIDIA製システム。GPU構成、メモリー、ネットワーク、ストレージ、運用体制を一体で確認する。
82	NVIDIA RTX PRO Server	NVIDIA製品	シミュレーション、レンダリング、生成AI、開発環境に使うサーバ構成。用途別にGPU、CPU、メモリー、ストレージを確認する。
83	GPUメモリー（VRAM）	計算基盤	GPU上でモデル、データ、シミュレーション情報を保持するメモリー。容量不足は学習サイズや同時実行数の制約になる。
84	InfiniBand	ネットワーク	AIサーバーやGPUクラスターで使われる高速・低遅延ネットワーク。分散学習や大規模データ転送の前提になる。
85	NVIDIA AI Enterprise	ソフトウェア	企業向けAIソフトウェア基盤。サポート範囲、対応環境、運用責任、ライセンスを確認する。
86	CUDA（Compute Unified Device Architecture）	開発基盤	NVIDIA GPUを使った並列計算の開発基盤。対応ドライバ、ライブラリ、アプリケーション要件を確認する。
87	TensorRT	推論	学習済みモデルをNVIDIA GPU向けに高速化する推論最適化技術。精度、遅延、対応演算を比較する。
88	Triton Inference Server	推論	複数モデルをサーバーとして配信する推論基盤。バッチ、同時実行、監視、更新方法を設計する。
89	NVIDIA NIM™（NVIDIA Inference Microservices）	推論	生成AIやAIモデルをサービスとして使いやすくする推論マイクロサービス。API、対応モデル、運用場所を確認する。
90	Container（Docker）	運用	アプリケーションと依存関係をまとめて実行する仕組み。GPU利用、版管理、再現性、セキュリティを確認する。
91	Kubernetes	運用	コンテナを複数サーバーで管理する基盤。AI推論・学習環境ではGPU割当、監視、更新手順を設計する。
92	vGPU（Virtual GPU）	仮想化	GPUを仮想マシンへ割り当てる技術。利用者分離、性能、ライセンス、対応アプリケーションを確認する。
93	FP32（32-bit Floating Point） / FP16（16-bit Floating Point） / INT8（8-bit Integer）	性能	計算精度の種類。低精度化は高速化・省メモリー化に効くが、精度低下の検証が必要。
94	Latency / Throughput	性能	遅延は1件の処理時間、スループットは単位時間の処理量。リアルタイム制御では両方を分けて評価する。
95	ストレージ帯域	計算基盤	データを読み書きする速度。合成データ生成、学習、ログ保存ではGPU性能と同じくらいボトルネックになり得る。
96	モデルレジストリー	MLOps	学習済みモデルの版、評価結果、利用条件を管理する台帳。実機適用時の追跡性に必要。
97	MLOps（Machine Learning Operations）	運用	AIモデルの学習、評価、配布、監視、再学習を管理する考え方。PoC後の継続運用に不可欠。
98	NVIDIA Holoscan	NVIDIA製品	センサー入力からAI推論、可視化、制御連携までを低遅延で処理するためのエッジAI開発基盤。リアルタイム性とデータ処理パイプラインを確認する。
99	NVIDIA Metropolis	NVIDIA製品	カメラ映像を使った認識・分析向けのAIアプリケーション開発基盤。現場監視、人物・物体認識、ロボット周辺環境理解との接続を確認する。
100	NVIDIA Fleet Command™	NVIDIA製品	複数拠点のエッジAIシステムを遠隔で配備・管理するための運用基盤。実機展開後の更新、監視、ロールバック体制を確認する。

まとめ

Physical AIの成否は、特定の製品名を知っているかではなく、学習、仮想検証、実機推論をつなぐ前提条件を合意できるかで決まります。NVIDIA製サーバーの採用では、GPU性能だけでなく、モデル規模、シミュレーション負荷、データ生成量、ネットワーク、ストレージ、運用体制まで含めて確認する必要があります。
本稿の用語整理が、管理者と現場エンジニアの認識をそろえ、PoCの成功確率向上と適切な投資判断につながる一助となれば幸いです。

本記事に関する注意事項

本稿は、Physical AI、NVIDIAの製品・技術、ロボティクス、シミュレーション、AI開発に関する公開情報および一般的な技術知識をもとに、用語や概念の理解を目的として作成したものです。本文中に記載しているURLは、読者が一次情報や関連情報を参照するための補足情報として掲載しています。なお、参照先の内容、更新状況、正確性、ならびに継続的な公開について保証するものではありません。

また、本稿の内容は、特定製品の導入効果、性能、互換性、ライセンス条件、サポート範囲、将来の提供継続性を保証するものではありません。実際の製品選定、システム設計、導入判断に際しては、各社が提供する最新の公式資料、製品仕様、ライセンス条件、およびサポートポリシーをご確認ください。

お問い合わせはこちら

メーカーTOPページ

サイト内検索