建設・土木の人手不足は、製造業より深刻だ。オペレーターの高齢化は進み、若手は入ってこない。「建機の自動化」は昔から語られてきたが、実験室のデモと現場の間には常に大きな溝があった。今回の論文は、その溝を数字で埋めている。12トンの油圧ショベルを実機で動かし、人間のオペレーターと同じ条件で比較した。結果は、成功率70%対83%。完全自動化ではないが、人の8割の水準という具体的な座標が得られた。
1. なぜ今、この研究なのか
理由1：シミュレーションではなく実機・実地の試験である。 12トン級の実際の油圧ショベルを、屋外の現場条件で動かしている。光の変化も遮蔽もある環境での結果だ。
理由2：人間との直接比較がある。 「精度95%」といった単独の数字ではなく、同条件で人間オペレーターが83%、学習した制御方策が70%という比較になっている。導入判断に使える形の数字である。
理由3：特殊な装置を必要としない。 岩の除去に専用グリッパーを使わず、標準の掘削バケットで実施している。既存の建機に後付けできる方向性を持つ。
この記事で持ち帰れる3つのこと
- 建機自動化の現在地を、人間比という座標で把握する
- 「熟練者の使い分け」を機械が学習で獲得した、という事実の意味
- 人の8割の性能をどう使うか、という運用設計の考え方
2. 論文を読む：12トン機で岩を取り除く
2-1. 課題設定
建設現場で岩（玉石）を取り除く作業を対象にしている。地味に見えるが難しい。岩の形も大きさも一定でなく、埋まり方も異なり、土質によって適切な差し込み方が変わる。熟練者は無意識に使い分けているが、明文化されていない。
2-2. 手法と条件
- 機体：12トン級の油圧ショベル、標準の掘削バケット（専用グリッパーなし）
- 知覚：視覚ベースの領域分割から得た疎なLiDAR点群（岩1個あたりわずか20点）と、機体自身の関節情報
- 学習：剛体力学と解析的な土質モデルを組み合わせたシミュレーション上での強化学習
- 試験：屋外の実地環境、岩の大きさ0.4〜0.7メートル、複数の土質条件
知覚情報が岩1個あたり20点というのは相当に粗い。高価なセンサーを前提にしない設計思想である。
2-3. 結果
| 実行者 | 成功率 |
|---|---|
| 人間オペレーター | 83% |
| 学習した制御方策 | 70% |
人間比では約84%の水準にあたる。まだ人には届かないが、桁が違うわけでもないという位置づけだ。
より興味深いのは、学習の過程で機械が獲得した振る舞いである。論文によれば、方策は土質に応じた使い分けを自ら発見した。硬い土では表面を引きずるように寄せ、柔らかい土では直接差し込む。これは熟練オペレーターが経験で身につける判断であり、明示的に教えたものではない。
2-4. 誠実な限界
本論文は査読付き会議・論文誌への採択情報が示されていないプレプリントである（2025年9月22日投稿）。当社では「最新研究」として扱う。加えて、読者が補うべき留保が3点ある。
- 試行回数が要旨からは確認できない。 70%と83%という数字の統計的な確からしさは、本文の確認が必要になる
- 対象は0.4〜0.7メートルの岩に限定されており、これより大きい岩や複雑な埋設状況への一般化は未検証
- 評価は成功率のみで、作業速度・燃料消費・機体への負荷といった実務上重要な指標は主軸に置かれていない
3点目は導入判断で効く。成功率が同等でも、1回の作業に人の3倍時間がかかるなら現場では使えない。
2-5. シリーズの地図
第3号『TinyVLA』では、言葉で指示できる協働ロボットを扱った。第7号では建設現場の安全点検、第8号では倉庫の自律搬送を扱った。本号はその延長線上で、最も過酷な環境で最も重い機械を動かす事例にあたる。第16号で見た「LLMは最良ではなく最悪回避に効く」という構図とは逆で、ここでは上限性能そのものが問われている。
3. 日本のビジネスに置き換えると何が起きるか
本章以降の適用シナリオは、論文が直接検証した範囲（12トン機による玉石除去）を超えた、当社の応用解釈である。日本の現場・土質・法規での成立は、実測と法令確認が必要になる。
| 論点 | 論文が示したこと | 当社の解釈（日本の現場に置くと） |
|---|---|---|
| 性能水準 | 人間83%に対し70% | 完全代替ではなく、単純反復作業の肩代わりから入る |
| 装備要件 | 標準バケット、疎な点群で成立 | 既存建機への後付け改造という道筋が現実的 |
| 学習の中身 | 土質に応じた使い分けを自律獲得 | 熟練者の暗黙知が、明文化を経ずに移転しうる |
| 未評価項目 | 速度・燃費・機体負荷 | 導入検討時は成功率以外の指標を必ず追加する |
| 環境 | 屋外・変動光・遮蔽あり | 実験室条件ではない点は、他分野の研究より強い |
日本で最も現実的な適用先は、災害復旧、法面整備、採石場、埋設物の少ない造成現場といった、危険度が高く作業が定型的な領域である。人が乗らない前提にできれば、危険区域での作業そのものの意味が変わる。
一方で、日本固有の障壁も明確だ。建設機械の自動運転に関する法令・安全基準、現場での有人監視要件、労働災害時の責任所在。これらは技術の成熟とは別軸で進む。技術検討と並行して、法務・安全部門を巻き込む必要がある。第18号で扱った映像監視と同様、技術より制度の側が律速になる可能性が高い。
4. 導入シナリオ：PoC → 拡大 → 展開
フェーズ1：法規・安全要件の確認（2ヶ月／主に社内工数）
自動運転建機に関する現行法規、必要な監視体制、保険の適用範囲を確認する。技術検討より先にここを済ませる。
フェーズ2：PoC（6ヶ月）
限定区域（立入禁止を設定できる場所）で、単一作業に絞って実機検証する。評価指標は成功率だけでなく、作業速度・燃料消費・機体故障率・人の介入回数を必ず含める。
フェーズ3：拡大・展開（12ヶ月＋）
複数機・複数現場へ展開し、遠隔監視センターを設ける。1人のオペレーターが複数機を監視する体制が、経済性の分岐点になる。
5. 残っている課題3点
課題1：成功率だけで判断する。 70%という数字は、残り30%で人が介入する必要があることを意味する。介入頻度が高ければ、監視要員の人件費が効果を上回る。
課題2：法規・責任の整理を後回しにする。 事故が起きたときの責任所在が曖昧なまま実運用へ進むと、1件の事故で計画全体が止まる。
課題3：適用範囲を広げすぎる。 論文の検証は0.4〜0.7メートルの岩である。これを「掘削作業全般が自動化できる」と読み替えると、必ず失敗する。
6. 稟議で使えるキーワードと自己診断
キーワード1：人間比という座標。 「人の8割」という表現は、経営層に状況を伝えるうえで最も誤解が少ない。完全自動化の話ではないことが一目で伝わる。
キーワード2：既存機の活用。 専用装置ではなく標準バケットで成立している点を挙げ、全面更新ではないことを示す。
キーワード3：危険作業の無人化。 コスト削減ではなく安全投資として起案する。人が入らずに済む区域を作る、という論法のほうが通りやすい。
自己診断チェックリスト
- 対象にしたい作業は、繰り返し性が高く定型化できるか
- その作業に年間何時間、何名を投入しているか把握しているか
- 立入禁止区域を設定できる現場があるか
- オペレーターの平均年齢と、5年後の人員見通しを持っているか
- 自動運転建機に関する社内の安全基準は整備されているか
- 事故時の責任所在について、法務・保険会社と協議したことがあるか
上記の自己診断と稟議キーワードは、社内で最初の一歩を決めるための叩き台にしてほしい。
7. まとめ
キーメッセージ1：建機自動化の現在地は「人の8割」である。 完全代替ではないが、実機・実地でここまで来ているという事実は把握しておくべきだ。
キーメッセージ2：熟練者の使い分けが、明文化を経ずに移転しうる。 土質に応じた掘り方の選択を、機械が学習で自ら獲得した。技能伝承の前提が変わる可能性がある。
キーメッセージ3：律速は技術ではなく制度である。 法規・責任・安全基準の整理を、技術検討より先に始めること。
一次ソース
- Jonas Gruetter, Lorenzo Terenzi, Pascal Egli, Marco Hutter. “Towards Learning Boulder Excavation with Hydraulic Excavators.” arXiv:2509.17683v1, 2025年9月22日投稿
- 実機：12トン級油圧ショベル、標準掘削バケット
- 知覚：視覚ベース領域分割による疎なLiDAR点群（岩1個あたり約20点）＋機体の関節情報
- 実地試験結果：制御方策の成功率70%、人間オペレーター83%（岩の大きさ0.4〜0.7メートル、複数土質）
- 掲載状況：査読付き会議・論文誌への採択情報は公開されていない
次号予告
第21号は、金属積層造形（3Dプリンティング）を取り上げる。作ってみるまで結果がわからない、という製造方式に対して、AIがどこまで事前予測を可能にしているかを扱う。
