認識はもう主な壁ではない
ばら積みピッキングは、箱の中で向きも重なりもばらばらな部品を、3Dカメラで認識し、つかめる位置を計算して取り出す作業です。かつては認識できないことが最大の壁でしたが、3Dビジョンと学習型の物体認識が進み、主要な部品形状では実用水準の製品が出揃っています。
市場の動きもそれを示しています。中国の3Dビジョン企業、梅卡曼德（Mech-Mind）は2026年9月1日に香港で上場しました。調査会社CICによると、同社はAI+3Dビジョンのロボット部品市場で世界シェア22.1%の首位です（同社上場時の資料、EqualOcean報道）。2025年の収益は3.888億元で、海外比率は50.3%でした。日本ではMujinが、FA向けのばら積み部品ピッキングを製品として提供しています。
NVIDIAは2026年9月にIsaac ROS 5.0を公開し、物体の位置・姿勢推定ライブラリFoundationPoseの推論を最大5.5倍高速化したと発表しました（同社発表）。Alphabet傘下のIntrinsicは、このFoundationPoseを機械への部品供給（マシンテンディング）のソリューションに使っています。
それでも、導入後に「思ったほど効果が出ない」という声は少なくありません。原因は認識ではなく、その後ろにある3つの壁にあります。
3つの壁
1. 認識精度：残る難物
認識が改善したとはいえ、苦手なワークは残ります。光沢の強い金属部品、黒い樹脂部品、薄板、透明な部品は、3Dカメラの点群が欠けやすくなります。ばねやケーブルのように互いに絡む部品は、認識できても1つだけを取り出すことが困難です。対象部品にこうした特徴があるなら、PoCの最初に確認します。
2. サイクルタイム：平均ではなく最悪値
カタログのサイクルタイムは、うまくつかめたときの値で示されることがほとんどです。実際の工程では、把持に失敗してやり直す、箱の底や隅に残った部品を取りにくい、ワークが干渉して取り出し経路が見つからない、といった状況が起きます。ライン全体のタクトを守れるかは、平均ではなく失敗が続いたときの最悪値で決まります。
3. 段取り：品種切替の工数
多品種を扱う工場では、新しい品番の登録、ハンドの交換、パラメータの調整に工数がかかります。日立とファナックが2026年9月30日に発表したフィジカルAIの共同検証でも、検証項目は「形状の異なる部品のピッキング」と「品種切替時の段取り替え」で、認識精度・動作・タクト・品質を確認するとしています（両社発表）。大手2社が段取り替えを検証の中心に置いていることは、ここが実用上の焦点であることを示しています。
PoCで測るべき指標
特に(4)の人の介入は見落とされがちです。チョコ停（短時間の停止）のたびに作業者が呼ばれるなら、省人化の効果は計画を下回ります。介入の頻度は、設備のOEE（設備総合効率）データとして記録しておくと、本番後の改善にも使えます。停止データの扱い方はOEEデータをAIで深掘りするで解説しています。
学習型制御とシミュレーションの役割
近年は、把持の判断そのものを学習させる手法も使われています。ファナックは2026年5月、自社シミュレーターROBOGUIDEで物理エンジンPhysXを使い、ばら積みピッキングを仮想空間で再現できるようにしたと発表しました（同社発表）。仮想空間で取り出し順序や経路を事前に試せれば、立ち上げ時の調整工数を減らせる可能性があります。ただし、仮想空間と実機の差は残るため、実機での確認は欠かせません。考え方はsim-to-realの4つの課題を参照してください。
ロボット基盤モデルを使ったピッキングも研究が進んでいますが、量産ラインでのタクトと保証の観点では、現時点では3Dビジョンと従来型の動作計画を組み合わせた製品が主流です。どの段階で基盤モデルに置き換わるかは、フィジカルAI導入の判断基準で考え方を示しています。
よくある質問
ばら積みピッキングは中小企業でも採算が合いますか
対象品番が少なく、物量が多い工程ほど採算が合いやすい構造です。多品種少量の場合は、品種切替の工数が採算を左右するため、PoCで登録と切替の時間を必ず測ってください。省力化投資補助金の対象になる場合もあります。
部品を整列させるパーツフィーダーとどちらがよいですか
形状が単純で品種が少ない部品は、パーツフィーダーの方が速く安定することが多いです。形状が複雑でフィーダーでは整列できない部品や、品種が多くフィーダーの段取りが重い場合に、ばら積みピッキングが有利になります。
箱の底まで取り切れないのはなぜですか
箱の壁や底との干渉で、ハンドが部品に届かない、届いても取り出し経路が見つからない状況が起きるためです。箱の形状や傾斜台の工夫、ハンドの形状変更で改善できることがあり、ロボット側の性能だけの問題ではありません。
この記事に出てくる用語
フィジカルAIは工場に来るのか
ロボット基盤モデルとヒューマノイドの実証。宣伝と量産ラインの距離を測る 全66本
- フィジカルAIとは：従来の産業ロボット・協働ロボットとの違いを4つの軸で整理
- 美的の「智能体工厂」：荆州工場の14エージェント・38シーンと人形ロボット
- ヒューマノイドの工場実証一覧：BMW・Mercedes・Schaeffler・BYDなど10社の現在地
- フィジカルAI導入の判断基準：今やるべき工場・待つべき工場を分ける5つの質問
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
