top of page
bk-shin.png

開発者レポート

「Challenge ATOM」にチャレンジするチームの奮闘をレポート!

雪かきも、草刈りも。季節をまたいでTriWorker!

13 分前
読了時間: 4分

TriWorker/仙台高等専門学校・函館工業高等専門学校

【第2回】2026年11月


 

 草刈りも、除雪も、荷物運びも。暮らしの中の「ちょっと大変」を、1台のロボットが引き受けてくれたら。そんな発想から始まった、仙台高専&函館高専チームの「TriWorker」。構想から実機へ、そして「本当に外で働けるロボット」へ。少しずつ、その姿が見えてきました。


道を見て、走りを変える。TriWorkerの足元が進化中!

 前回から取り組んできた、カメラとAIによる路面認識。現在は、認識した路面情報を実際の走行制御にどう反映するか、という段階に入っています。


 ロボット前方に取り付けたカメラ画像から、AIによって「コンクリート」「草地」「土」の3種類を分類できるところまで開発は進みました。一方、検証を重ねるなかで、同じコンクリートでもひび割れや色の違いを拾い、さらに細かなクラスとして識別してしまうケースも確認されています。

認識できる情報量が増えても、そのまま制御性能が上がるわけではありません。走行制御に必要なのは、路面状態を制御に有効な粒度で捉えること。 チームは現在、どの特徴を残し、どこまでを同じ路面として扱うべきか、分類の最適化を進めています。

 

 そして今回、大きく変わったのが駆動系です。

従来のブラシ付きDCモーターから、ダイレクトドライブ方式のブラシレスモーターへ変更。モーターに流れる電流値をフィードバックとして取得できるようになり、その値から駆動トルクを推定することが可能になりました。


 狙っているのは、カメラが捉えた路面情報と、モーターから得られるフィードバックを統合した走行制御です。

ロボットに与えた目標値、実際の出力値、さらにカメラが捉えた路面情報を記録し、そのデータを学習へ利用。路面状態に応じて適切な駆動力を与え、タイヤの空転を抑える制御につなげようとしています。

 

 一方、路面への追従性は制御だけでなく、機構側からもアプローチしています。

これまで使用してきた機体を一度分解して、機械設計から再構築。新たに取り入れたのが、ロッカーボギーの考え方を応用した、段差への追従性を高める機構です。


 複数のギアを介して車輪側の動きを連動させることで、一方の車輪が段差に乗り上げた際にも、ほかの車輪の接地を維持しやすくする構成としています。これにより、凹凸のある路面でも4輪の接地性を確保しながら、車体の姿勢変化を抑えて走行することを狙っています。学校の屋外で行った走行試験では、段差に乗り上げた状態でも4輪が接地したまま走行する様子が確認できました。

段差や凹凸への追従を機構側で支えながら、AIは路面状態の認識と駆動力の調整を担う。 ハードウェアと制御の両面から、屋外環境への適応を図っています。

 

 そして、TriWorkerの「仕事」を担う部分も、いよいよ実機に載り始めました。 草刈り用には、回転するナイロンコードで草を刈るユニットを装着。さらに雪かき用のヘッドも取り付けられ、草刈りと除雪という異なる作業を1台で担うための機体構成が、形になっています。



 さらに操作系では、タブレットアプリから実際にロボットのモーターを動かせるところまで実装が進みました。これまで使用していたゲーム用コントローラーから、より直感的な操作インターフェースへの移行も検証段階に入っています。


 さらに、操作を補助するアシストハンドルのシステムも概ね完成しています。実際の使用試験では、ユーザーの動作に応じてロボットが動き、操作を適切に補助できることを確認しました。


 一方、ハンドルへの衝突などによって強い衝撃が加わると、制御値にずれが生じ、ロボットが意図しない動作をする場合があることも明らかになりました。今後は、衝撃による制御値のずれを防ぐとともに、ずれが生じた際に補正できる仕組みの構築を進めます。


Next Challenge

「走れる」から「働ける」へ。次なる舞台は雪の庭

 次の大きな目標は、AIによる路面認識とモーター制御を実機上でつなぎ、路面の状態に応じて走り方を変えられる状態まで仕上げることです。


 現在はカメラによる路面分類が先行していますが、ここにモーターの目標値と実際の出力値を組み合わせて学習し、路面に応じて駆動力を調整する制御へつなげていきます。チームは、このAI制御をロボット本体へ搭載し、タイヤのスリップを抑えるための調整を進める計画です。

bottom of page