Cyber-Physical AI Laboratory

Logo

Cyber-Physical AI Laboratory, Osaka Institute of Technology

View My GitHub Profile

Home Research For Students / 卒業研究 Teaching Members

For Students

このページでは、Cyber-Physical AI Laboratoryへの配属を考えている学生を対象に、 研究室でどのような研究ができるのか、卒業研究をどのように進めるのかを紹介します。

研究テーマについて | 卒業研究の進め方 | 2026年度の卒業研究

一人ひとりに研究テーマを設定します

研究室では、学生一人ひとりに個別の研究テーマを割り当てます。 研究室全体で同じ課題に取り組むのではなく、それぞれが自分の研究の問いを持ち、 調査、実験、分析、発表までを進めます。

テーマを決める際には、学生が興味を持っている分野や、取り組んでみたいことを丁寧に確認し、 可能な限り学生本人の希望に沿ったテーマを選ぶことを重視しています。 そのうえで、卒業研究として実施できる期間や設備、必要な基礎知識なども考慮し、 相談しながら具体的な研究課題にしていきます。

どのような研究ができますか?

研究室では、人工知能、機械学習、強化学習、ロボティクスを中心とした研究を行います。

例えば、

といったテーマがあります。

詳しくは Research を参照してください。

卒業研究の進め方

研究テーマによって違いはありますが、基本的には次のような流れで進めます。

1. 基礎を理解する

まず、研究に必要なPython、機械学習、強化学習などの基礎を確認します。

最初から高度な研究プログラムをすべて自分で作る必要はありません。 既存のサンプルプログラムやシミュレーション環境を利用しながら理解していきます。

2. 既存手法を動かす

関連する論文や既存研究を調べ、 まず基準となる手法を実際に実行します。

「論文を読んだ」だけではなく、 自分で実験して結果を確認することを重視します。

3. 研究の問いを決める

例えば、

というように、比較によって答えられる具体的な問いを設定します。

4. 条件を変えて比較する

研究では、一度うまく動かすだけでは十分ではありません。

条件を変えながら実験し、

などの指標を使って定量的に比較します。

5. 結果を分析する

結果が良かった場合だけでなく、うまくいかなかった条件も重要です。

「どの条件では有効なのか」 「なぜ性能が低下したのか」 を考え、グラフ、表、動画などを使って説明します。

研究で使用する環境

テーマに応じて、主に以下のような環境を利用します。

卒業研究のすべてで実機ロボットを使用するわけではありません。

特に研究の初期段階では、 条件を簡単に変更して多数の実験を行えるシミュレーションを積極的に利用します。

配属前にロボットやAIに詳しい必要がありますか?

最初から専門的な知識を持っている必要はありません。

ただし、研究を進めるためには、

といった作業が必要になります。

分からないことをそのままにせず、 調べ、試し、結果を整理することが重要です。

研究テーマはどのように決めますか?

まず面談を通して、興味のある分野、使ってみたい技術、取り組みたい問題を確認します。 その内容と研究室全体の研究方向を踏まえ、 学生の希望と、卒業研究として実施可能な範囲の両方を考えて決定します。

最初からテーマを完全に決めておく必要はありません。

関連研究を調査したり、シミュレーションを実際に動かしたりしながら、 研究の問いを徐々に具体化していきます。

研究室選びを考えている学生へ

研究テーマのタイトルだけで研究室を選ぶのではなく、

という点も考えてみてください。

この研究室では、 「AIを使う」だけではなく、「なぜその方法がうまくいくのかを実験によって調べる」 ことを大切にしています。

2026年度 卒業研究プロジェクト

2026年度は、以下の卒業研究プロジェクトに取り組んでいます。 いずれも学生一人ひとりに設定した個別テーマです。 研究の進展に応じて、タイトルや内容は変更されることがあります。

状態・行動の遅延が強化学習に与える影響

センサ情報の取得や行動の実行に遅れがある場合、学習結果や制御性能がどのように変化するかを調べます。 遅延の大きさや発生条件を変えて実験し、安定して行動するための方法を検討します。

環境の違いに適応する転移学習

ある環境で学習した方策を、条件の異なる環境で再利用する方法を研究します。 環境間の違いと転移の効果を比較し、過去の経験を有効に利用できる条件を明らかにします。

ペアワイズ比較から人の選好を学習する手法

二つの行動や結果を比較した情報から、人がどちらを好むかを学習する方法を研究します。 比較データの量や与え方が、推定精度や行動学習に与える影響を評価します。

強化学習におけるハイパーパラメータ探索

学習率などのハイパーパラメータが、強化学習の性能や安定性に与える影響を調べます。 複数の探索方法を比較し、効率よく良い設定を見つける方法を検討します。

複数ロボットの故障に対応するタスク再割り当て

作業中のロボットに故障が発生した場合に、残りのロボットへタスクを割り当て直す方法を研究します。 タスク完了時間や成功率を比較し、状況の変化に柔軟に対応できる仕組みを検討します。

混雑環境における複数ロボットの移動制御

複数のロボットが同じ空間を移動するときに、衝突や混雑を抑える方法を研究します。 移動時間、衝突回数、待ち時間などを用いて、制御方法の違いを評価します。

複数ロボットによる協調行動の学習

複数のロボットが情報や役割を共有しながら、一つの目的を達成する方法を研究します。 報酬の与え方や情報共有の方法が、協調行動の獲得に与える影響を調べます。

条件変化に強いマルチエージェント強化学習

ロボットの台数や環境条件が変化しても、学習した協調行動を利用できる方法を研究します。 さまざまな条件で性能を比較し、変化に対する頑健性を評価します。

センサ・行動データを用いた異常検知

ロボットやシステムから得られる時系列データを利用して、通常とは異なる状態を検出する方法を研究します。 異常の種類やデータの特徴を変えながら、検出精度と早期発見の可能性を評価します。