導入：コスト構造の変化がもたらした転換点
1970年代の早稲田大学における「WABOT-1」の誕生以来、ヒューマノイドの開発は半世紀以上の歴史を歩んできました。初期のヒューマノイドは、人間のような双方向の対話や2足歩行を試みたものの、当時のセンサ技術の限界から、周囲の環境変化にリアルタイムで適応することは極めて困難でした。
2000年代の「ASIMO」や「HRP-2」といった歴史的な名機においても、実用化を阻む最大の障壁の一つは「外界の情報をいかに軽量かつ安価に、高速で取得するか」というセンサ・ハードウェアの性能とコストにありました。当時は、1個で数百万円もする産業用の特注力覚センサや、重厚で消費電力が大きく、処理に専用の拡張ボードを要する特注カメラが主流でした。
しかし2020年代後半の現在、この構図は一変しています。スマートフォン産業（CMOSイメージセンサや高精度MEMSなど）や、自動運転車市場（産業用LiDARなど）の爆発的な発展がもたらしたセンサのコモディティ化により、かつては専用に特注するしかなかった高性能センサが、今や数十ドルから数百ドルで手に入る量産品になりました。本記事では、このセンサ部ハードウェアの技術進化史を紐解き、現在のヒューマノイドがどのようなプロセスを経て「感覚」を獲得したのかを解説します。
視覚システムの変遷：ステレオカメラからLiDAR/ピュア・ビジョン
ロボットの視覚システムは、自己位置推定と物体認識の基盤です。2000年代初頭のASIMOやHRP-2は、頭部に搭載した2台のCCDモノクロカメラによるステレオビジョンが主体でした。しかし、当時のオンボードCPUにとってリアルタイムの画像マッチングは処理負荷が高く、解像度や動作周波数を大きく制限せざるを得ませんでした。また、無地の白壁や光沢面、逆光といった環境ではマッチングエラーが多発するという本質的な限界もありました。
2010年代に入ると、赤外線パターンを照射して距離を測る「RGB-Dカメラ（アクティブ深度カメラ）」が登場し、屋内での3D認識を大幅に容易にしました。ただし、太陽光下では赤外線が干渉して精度が低下すること、認識距離が数メートル程度に限られることなど、屋外・広域への展開には課題が残りました。
現在は大きく二つのアプローチが共存しています。一つは、Unitree G1のようにLiDARを頭部に統合する方式です。G1に搭載されているLivox MID360は、360°の水平FOVと最大59°の垂直FOVを持ち、リアルタイムで高解像度の点群データを取得できます。同センサは準ソリッドステート方式のスキャニング機構を採用しており、自動運転車市場向けの量産効果でコストが大幅に下がっています。
もう一つは、TeslaのOptimus Gen 2に代表される「ピュア・ビジョン」戦略です。Optimusは8台のカメラを搭載し、LiDARを一切使わずに複数カメラからの視覚のみで3次元空間を認識します。グローバルシャッター技術の普及により高速動作時の画像歪みが抑えられ、大量の車両走行データで鍛えたニューラルネットワークが奥行き推定を行います。Figure 02も同様にカメラ中心の構成を採っています。この戦略はコストとシンプルさで優れる一方、LiDARに比べて悪天候・低照度環境への対応は今後の技術的課題として残ります。
触覚システムの変遷：力覚センサから触覚センサへ
ヒューマノイドが不整地でバランスを維持したり、壊れやすい物体を適切な力で把持するには、接触力・触感を計測するシステムが不可欠です。
初期の力覚計測は、手首や足首に配置した「6軸力覚センサ」が担っていました（HRP-2など）。金属構造体にひずみゲージを貼り付けたこの方式は、かつてもっとも一般的だったZMP1を用いる歩行制御に必要な「外部から受ける全体的な力ベクトル」を巨視的に測るには有効でした。しかし、「指先のどこにどのような形状の物体が触れているか」という局所的な触覚情報は得られず、初期の多指ハンドは位置制御による「硬く挟むだけ」の動作に終始していました。
この限界を突破したのが、近年研究コミュニティで急速に普及した「視触覚センサ（Visual-Tactile Sensor）」です。MITが開発した「GelSight」はその代表格で、エラストマー（弾性樹脂）製の指先パッドの裏面に小型カメラを内蔵し、物体接触時のパッド変形を映像として捉えます。これにより物体表面の微細な凹凸認識だけでなく、物体が滑り始める瞬間のわずかな変位（初期滑り）を画像解析でリアルタイムに検出し、把持力制御にフィードバックすることが可能になりました。
さらに実用化が進んでいるのが、XELA Roboticsの「uSkin」に代表される薄型分布型触覚センサです。指先サイズのシート内に微小磁石とホール素子を格子状に配置し、垂直圧力（法線力）と横方向の引っ張り（せん断力）を同時に100Hz以上の応答速度で計測できます。これらのセンサの登場が、洗濯物を畳む・食器を洗うといった繊細な操作への扉を開きました。
力覚センサがなくなったわけではありません。目的を満たすために、用途に応じた進化を遂げたのです。
自己受容感覚の変遷：安定した歩行と力加減の実現
2足歩行ロボットが自律的に立ち、素早く歩き、段差に適応するには、姿勢角・角速度をミリ秒単位で正確に計測する「自己受容感覚」が必要です。
初期の2足歩行ロボット開発では、航空宇宙・防衛分野から転用された機械式ジャイロや高価な光ファイバージャイロ（FOG）が使われていました。重く消費電力が大きいこれらのセンサは、ロボットの体幹部を物理的に肥大化させ、重量バランスの設計を難しくしていました。
この制約を根本から変えたのが、スマートフォンの普及が牽引したMEMS IMUの進化です。半導体プロセスでシリコンウェハ上に製造されるMEMS IMUは、切手ほどのサイズで、数ドル・数ミリワットの消費電力ながら、時間経過とともに誤差が蓄積するドリフトを極めて低く抑えた高品質な姿勢計測を実現します。
加えて、近年のヒューマノイドでは関節ごとにトルクセンサが配置されており、各関節の負荷トルクを計測できるのが当たり前になりました。さらに、QDD（Quasi-Direct Drive）モータ2の電流値から各関節の負荷トルクをリアルタイムに逆算する手法もコストを抑えた構成として使われています。かつて高価で壊れやすかった関節専用トルクセンサを省略または補完しながら、外部衝撃に対して関節が柔軟に力を逃がす「インピーダンス制御」が実現し、不整地での歩行適応能力は大幅に向上しました。
システムの統合：超低遅延ネットワークとEnd-to-End学習がもたらす未来
最後に取り上げるのは、全身の関節・センサを結ぶ「通信システム」の進化です。
2000年代初頭のヒューマノイドは、全身に張り巡らされた大量のアナログ配線が弱点でした。関節の可動に伴う配線の摩耗と断線、アナログ信号への電磁ノイズの混入、そして通信の物理的な競合（衝突）が、高度な全身制御の足かせとなっていました。
この問題を解消したのが、産業用リアルタイムイーサネット規格EtherCAT3の採用です。EtherCATは1つのデータフレームが全ノードを「通過しながらオンザフライでデータを処理する」設計のため、通信の衝突が原理的に発生せず、ジッター（時間同期の揺らぎ）を1μs以下に抑えることができます（公式仕様値）。これにより、数百Hzの制御ループに必要な決定論的な通信が実現しました。
こうして整理された低遅延・高帯域のセンサの生データは、今や複雑な物理モデルを介さず、大規模AI（Vision-Language-Action モデル：VLA）へ直接入力されるEnd-to-End学習の原材料となっています。センサハードウェアの進化が、AIという「脳」に対して物理世界の情報を直接届ける神経系を、ようやく完成させたのです。
配線設計においても進化が続いています。Figure 02やTesla Optimus Gen 2では、電気配線とケーブルハーネスを骨格・関節の内部に完全統合した設計が採用されていると考えられます。これにより、稼働中の引っ掛かりや断線リスクを大幅に低減しています。これを支えている技術の一つが中空軸モータです。この技術自体は以前から産業用ロボットなどで使われていましが、モータ技術の進化によりヒューマノイドでも一般化してきました。
まとめ：他産業の技術「収斂」が開いた自律への道
四回にわたる本連載では、二足の制御、腕のマニピュレーション、アクチュエータ、そして今回のセンサという四つの軸で技術進化を振り返ってきました。
ヒューマノイドが実用化フェーズに入り始めている理由は、特定の学術的ブレークスルーではありません。スマートフォン産業、自動運転車、生成AIという全く異なる巨大産業が投じた資本と技術が、ヒューマノイドの身体につぎ込まれ始めているからです。
かつて重く壊れやすく、環境認識能力に乏しかったロボットは、半世紀のハードウェア・ソフトウェアの進化を経て、十分に動く身体とそれを使いこなせる脳を手に入れました。この基盤技術の統合が、Physical AIの流行を形作っていると言えます。
