FastLabel（東京都新宿区）は2026年8月31日、AWSジャパンの支援プログラムで、ロボット基盤モデル開発における学習データの最適配合比率（データレシピ）に関する検証結果を公開しました。シミュレーションデータと実機データを19:1で混合して学習した条件では、タスク成功率が平均14.2%向上し、比較環境ではリアルデータのみ26.7%に対し混合データで56.7%でした。
背景には、実機（リアル）データ収集が環境確保や時間、オペレーションコストの制約を受けやすい一方、低コストで大量生成できるシミュレーションデータは現実との差（Sim-to-Realギャップ）が課題で、最適な混合比率が未確立という業界状況があります。今回の検証は、この比率を数値で確かめる狙いで約半年間実施されました。
手法として、ugo Pro R&Dモデルを用い、NVIDIA Isaac Sim上でシミュレーション環境とデータパイプラインを構築しました。軌道データ（ロボットの動作の時系列データ）はMimicGenで約100倍に拡張し、拡張元90エピソードから不正動作や失敗を除外した1万エピソードを取得しました。さらにドメインランダム化（外観や条件を揺らして汎化を促す手法）を施したシミュレーションデータと実機データを混合し、AWSインスタンス上で学習・評価しています。
FastLabelは今後、フィジカルAI開発企業向けにシミュレーションデータパイプライン構築支援と技術知見の提供を進め、クラウドを使ったデータ作成・管理基盤の高度化を通じて研究効率と社会実装の加速に貢献するとしています。
【関連リンク】
詳細URL（テックブログ）：https://fastlabel.hatenablog.com/entry/20260831/1788166800
URL（ロボティクス向けサービス）：https://fastlabel.ai/service/robotics
