---
title: "学習の更新と再評価"
description: "ロボットの成績低下や現場の変更を、設備・設定の是正と再学習に切り分ける手順です。更新候補の比較、実機での段階的な再評価、採用と見送りの記録を整理します。"
canonical: https://knowledge.uniquex.co.jp/physical-ai/updating-learning-and-reevaluation
type: "手順"
kind: "howto"
answer: "学習を更新するかは、失敗が増えた原因と、ロボットに求める仕事や環境が変わったかを確かめて決めます。校正や入力処理の不一致を直す場合と、新しい物体や作業に対応するためモデルを学び直す場合を分けます。更新候補は従来の条件と新しい条件の両方で現行版と比較し、記録データ、シミュレーション、条件を限定した実機評価で残る不確かさを順に確認します。採用後も構成と成績を記録し、問題が出た場合の停止や復旧の判断を用意します。"
definitions: [{"term":"再学習（retraining）","definition":"新たに用意したデータや学習条件を使い、モデルの内部の値を更新して判断の仕方を学び直すことです。"},{"term":"微調整（fine-tuning）","definition":"既存モデルを出発点に、対象の仕事へ合わせて追加学習する方法です。"}]
domain: "physical-ai"
chapter: 8
section: "8.3"
keywords: ["再学習","ロボット運用","再評価","モデル更新","微調整"]
aliases: ["retraining","fine-tuning","model update"]
entities: ["NIST AI RMF","LeRobot","OpenVLA"]
tags: ["standards"]
sources: [{"title":"AI RMF Core","author":"NIST","publisher":"NIST","version":"AI RMF 1.0のWeb版、5.3 Measureの2.1・2.3〜2.5・4.3、5.4 Manageの2.4・4.1〜4.2、2026-10-09閲覧","url":"https://airc.nist.gov/airmf-resources/airmf/5-sec-core/","accessed":"2026-10-09"},{"title":"Imitation Learning on Real-World Robots","author":"Hugging Face LeRobotチーム","publisher":"Hugging Face","version":"版番号表示なし、Set up and Calibrate・Teleoperate・Run inference and evaluate your policy、2026-10-09閲覧","url":"https://huggingface.co/docs/lerobot/il_robots","accessed":"2026-10-09"},{"title":"OpenVLA: An Open-Source Vision-Language-Action Model","author":"Moo Jin Kim、Karl Pertsch、Siddharth Karamcheti ほか","year":"2024","publisher":"arXiv","version":"arXiv:2406.09246v3、2024-09-05、5.2・5.4・6節","url":"https://arxiv.org/abs/2406.09246","accessed":"2026-10-09"},{"title":"MLOps: Continuous delivery and automation pipelines in machine learning","author":"Jarek Kazmierczak、Khalid Salama、Valentín Huerta","year":"2024","publisher":"Google Cloud","version":"更新日2024-08-28、Data and model validation・Metadata management・ML pipeline triggers","url":"https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning","accessed":"2026-10-09"}]
author: "UNIQUEX 編集部"
reviewer: ""
published: 2026-10-09
updated: 2026-11-05
verified: 2026-10-09
---

# 学習の更新と再評価

> 学習を更新するかは、失敗が増えた原因と、ロボットに求める仕事や環境が変わったかを確かめて決めます。校正や入力処理の不一致を直す場合と、新しい物体や作業に対応するためモデルを学び直す場合を分けます。更新候補は従来の条件と新しい条件の両方で現行版と比較し、記録データ、シミュレーション、条件を限定した実機評価で残る不確かさを順に確認します。採用後も構成と成績を記録し、問題が出た場合の停止や復旧の判断を用意します。

## 定義

- **再学習（retraining）**: 新たに用意したデータや学習条件を使い、モデルの内部の値を更新して判断の仕方を学び直すことです。
- **微調整（fine-tuning）**: 既存モデルを出発点に、対象の仕事へ合わせて追加学習する方法です。

再学習（retraining）は、新たに用意したデータや学習条件を使い、モデルの内部の値を更新して判断の仕方を学び直すことです。既存モデルを出発点に、対象の仕事へ合わせて追加学習する方法を微調整（fine-tuning）と呼びます。どちらも、センサーの校正やソフトウェア設定の変更とは区別します。

架空の箱の仕分け作業で、運搬の失敗が増えたとします。カメラの取付位置がずれたのか、新しい箱の形に対応できないのか、運搬先のルールが変わったのかで、必要な対応は違います。まず変更と失敗を対応付け、学習を更新する必要がある場合に候補を作り、現行版と比較してから適用を判断します。以下はその判断を組み立てる例で、実験結果や特定機種の運転手順ではありません。

## 再学習を考える前の切り分け [#再学習を考える前の切り分け]

成績が下がったという記録だけでは、モデルの学習不足かどうかは決まりません。ロボットは、カメラ画像や関節の位置などを受け取る観測、モデルの判断、指令を実行する制御がつながって動きます。このうち、どこで以前と違うものが渡されたかを調べます。構成の関係は[1.2](/physical-ai/how-physical-ai-works)でも説明しています。

最初に、いつ、どの箱で、どの処理が失敗したかを残します。「取れなかった」だけでなく、位置の推定が違った、持ち上げた後に落とした、別のトレーへ向かった、作業が完了せず人が介入した、と結果を分けます。同じ期間に変わったカメラ、制御ソフトウェア、モデルの版、箱やトレーの仕様を対応付けます。原因をまだ確認できない記録には、推測を確定事項として書き込みません。

| 確認した変化の例 | 先に調べること | 学習更新の扱い |
|---|---|---|
| 以前と同じ作業で、取付位置や校正情報が変わった | 観測値と実際の位置の対応、学習・評価時との構成の一致 | 元の条件を復元する是正を先に検討し、是正後に現行版を再評価する |
| 画像の形式、関節の並び、入力の単位が想定と違う | データを受け渡す処理と設定の正しさ | 入力の不整合を調べる。誤った入力を新しい正常データとして学ばせない |
| 新しい形の箱を継続して扱う必要があり、その条件で失敗する | 従来の学習・評価に含めた物体と、今回の物体の差 | 既存版での確認後、追加データを使う学習候補を検討する |
| 送り先や成功の定義が変わる | 固定ルールの変更で扱えるか、観測や必要な行動まで変わるか | ルールや構成の変更と、モデルの学習が必要な変更を分ける |
| 件数全体の成績だけが変わり、原因が分からない | 難しい条件の割合、失敗の種類、記録漏れ、機器の異常 | 調査と再評価を先に行い、再学習の効果を仮定しない |

校正（calibration）は、センサーや関節の値を実際の位置などへ対応付けるための確認・調整です。LeRobotの実機学習手引きでも、データ収集前の校正と、収集・評価で同じ設定の校正情報を使うことを区別して扱っています。表の個々の原因をこの手引きが診断するわけではありませんが、モデルだけを見て構成の一致の確認を省かない理由になります（LeRobot、Set up and Calibrate・Teleoperate）。

また、Google Cloudの機械学習運用の手引きは、期待する形式と異なる入力を検出した場合の調査と、データの傾向の変化に応じた再学習を区別しています。表はこの考え方をロボットの架空例へ当てはめたものです。機器の不具合を修理する代わりに再学習する判断や、毎回決まった期間で必ず学び直す規則を示すものではありません。

## 学習候補を作る判断と準備 [#学習候補を作る判断と準備]

学習更新を検討するのは、必要な仕事と入力の対応を現行モデルで十分に扱えず、その差に対応する学習データを用意できる場合です。新しい箱で失敗するなら、その形や見え方、必要な動きが従来の対象とどう違うかを言葉にします。新しい物体が増えたという事実だけで、既存版が必ず使えなくなるとは判断しません。

OpenVLAの研究は、新たなロボット構成と作業のデータへ微調整する方法を評価しています。ただし、対象作業によって他の学習方法との比較結果も異なり、適応後の高い信頼性があらゆる作業で得られるとはしていません。既存モデルを追加学習する場合も、「追加学習できる」と「今回の仕事で採用できる」を分けます（OpenVLA v3、5.2・6節）。

更新前に、次の順で比較の材料を用意します。これは出典を踏まえた独自の手順で、特定のモデルに必須の公式手順ではありません。

1. **更新の目的と対象範囲を決めます。** 新しい箱への対応、特定の失敗の低減など、改善したい結果を書きます。従来どおり維持したい仕事も併記し、モデルの変更が不要な設定の是正は分けて記録します。
2. **原因に対応するデータを選びます。** どの場面が不足しているかを決め、必要な観測と正しい行動を用意します。失敗ログは原因調査に使えますが、そのまま模倣させる正解の動作ではありません。データに含む操作が成功例、修正例、失敗例のどれかを区別します。
3. **学習用と採否判断用を分けます。** 更新に使うデータと、更新後の比較に使う場面を別にします。同じ実演の一部を両方へ混ぜると、その実演以外への対応を確かめにくくなります。新しい条件に加え、従来の仕事を確かめる評価も残します。
4. **候補を再現できる形で保存します。** 出発点のモデル、学習データの版、学習条件、入力処理、ロボットと制御の設定を候補の版へ結び付けます。現行版も保存し、両者に同じ評価条件を与えられるようにします。

Google Cloudの手引きは、学習後のモデルを現行モデルや基準と比較すること、条件群ごとの性能、実行環境との互換性、版や生成物の記録を挙げています。この一般的な機械学習運用の考え方を、ここでは箱・機器・制御の条件を含む比較に使います。自動再学習の仕組みを作ること自体は、採用の条件ではありません。

左右の枝は、構成の是正で済む場合と、候補モデルを作る場合を分けています。どちらも評価へつながるため、学習の前に是正だけで対応できるかを切り分けられます（図 8.3.1 失敗増加から学習更新への分岐）。

![失敗の記録を変更と照合し、学習が不要なら構成を是正して現行版を再評価し、必要なら候補版を作って同条件で現行版と比べる流れを示す図。](https://knowledge.uniquex.co.jp/figures/pai-retraining-reeval-diagram.svg "図 8.3.1 失敗増加から学習更新への分岐")

図 8.3.1 失敗増加から学習更新への分岐

## 従来の条件を残した再評価 [#従来の条件を残した再評価]

更新候補は、新たな失敗を減らせたかだけでなく、従来できていた仕事を保てるかで比べます。全体の成功率が上がっても、重要な箱の種類だけで失敗が増えるなら、同じ結論にはできません。NIST AI RMFのMEASUREは、配備する環境に近い条件での測定と、実際の利用場面での改善・低下の記録を挙げています（MEASURE 2.3・4.3）。

仕分けの例では、従来の箱、新しい箱、照明などが変わる条件を分けて、現行版と候補版を比較します。それぞれで、試行数、成功数、失敗の種類、中断、人の介入、所要時間を記録します。中断した試行を説明なく除外すると、運用で遭遇した問題が結果から消えるためです。必要な精度や対応能力は業務の目的から決め、研究論文の成功率や試行数を共通の合格値として流用しません。

比較では、対象の初期配置、成功の定義、観測と制御の設定を揃えます。実機では、箱の状態などを完全には同じにできない場合があります。その差も記録し、一回の成功だけから優劣を決めません。条件が揃っていない結果を、モデルの変更だけの効果として説明しないことが大切です。

| 比較結果 | 採用に向けた判断の例 |
|---|---|
| 新しい条件で改善し、従来の重要条件でも目標を保つ | 残る実機・運用条件の検証へ進める |
| 新しい条件は改善するが、従来の条件で悪化する | データや学習の変更を見直す。使う範囲を限定する場合は、その範囲を別に評価する |
| 記録データ上の出力は改善するが、作業の成功につながらない | 観測後の動作、接触、処理時間などを切り分ける |
| 試行が少ない、条件が偏る、原因不明の中断がある | 根拠不足として比較条件や記録を補い、採用を保留する |

## 実機へつなぐ段階的な確認 [#実機へつなぐ段階的な確認]

記録済みの入力で良い出力が得られても、動いた結果を次の観測として受け取る一連の仕事は確認できていません。このように、観測、判断、動作、その結果の再観測がつながる状態を閉ループ（closed loop）と呼びます。運搬を学習させた候補では、そのつながりの中で成功するかを確かめる必要があります。

学習済みモデルに入力を与えて出力を求める処理を、推論（inference）と呼びます。OpenVLA v3の5.4節では、記録データ上で比較した出力の正しさが似ていても、推論速度の違いが実機の制御に影響した結果が報告されています。モデルの出力だけでなく、使用する計算機を含む構成で評価する理由になります。この結果を、特定の計算方法や機器が常に優れるという推奨には使いません。

次の段階は、NISTの配備条件に近い評価と、Google Cloudの配備前後の検証を踏まえた独自の整理です。ロボット共通の安全試験手順ではありません。試験は所有者または管理者の許可を得た対象だけで行い、実機の運転条件と安全上の確認は、その機器と作業の責任者が別に定めます。

1. **記録データで入力と出力を確かめます。** 画像や状態の形式、出力する指令の意味、必要な処理時間を確認します。実機を動かさずに見つけられる不一致を調べますが、この段階だけで作業の成功は判断しません。
2. **利用できるシミュレーションで一連の動きを比較します。** 旧版と候補版の条件を揃え、動作後の状態まで確認します。使える仮想環境がない部分や、実機と合っていない部分は未確認として残します。
3. **条件を限定した実機評価で残る差を確認します。** 対象物、機器、構成、作業範囲を明示し、判定項目と中断条件を試験前に決めます。成功した試行だけでなく、停止や人の介入も残します。
4. **確認できた範囲から適用を判断します。** 新しい条件を追加するたびに、その条件の結果を確かめます。限定した試験の成功を、未検証の拠点、箱、連携機器まで拡張しません。

シミュレーションで原因を切り分けられても、それが実機の現象を十分に表しているかは別の問いです。実機で差が出た場合は、学習を繰り返す前に、モデル化した条件と実際の構成を照合します。導入工程全体での判断の位置づけは[2.1](/physical-ai/planning-physical-ai-adoption)にまとめています。

## 採用後に残す判断と戻り先 [#採用後に残す判断と戻り先]

更新の完了は、学習の処理が終わった時点ではなく、採用した構成と適用範囲を説明でき、変化を監視できる状態になった時点とします。NIST AI RMFのMANAGE 4.1〜4.2は、配備後の監視、変更管理、復旧、更新に伴う継続的な改善を扱っています。ここでは任意の管理枠組みとして参照し、法令上の義務や安全適合の判断は行いません。

- 更新の理由と、学習以外の是正を切り分けた根拠が残っている
- モデル、データ、入力処理、機器・制御設定の版を対応付けられる
- 新旧の条件ごとに評価結果と未確認事項が残っている
- 採用、範囲を限定した採用、見送りの判断者と理由が分かる
- 監視する成績と、停止・調査・復旧を判断する条件が決まっている
- 戻すモデルだけでなく、そのモデルが使える機器構成と対象範囲を確認している

古い版を保存していても、環境や作業が変わった後にそのまま使えるとは限りません。新しい箱に旧版も対応できない場合は、単に旧版へ戻すのでなく、その作業を止める、対象を限定するなど、責任者が決めた復旧方法へつなぎます。再学習しない判断も、原因、是正内容、再評価の結果とともに残すことで、後から説明できる運用判断になります。

## 新しい条件の改善と既存条件の退行 [#新しい条件の改善と既存条件の退行]

次は更新判断を説明する架空の結果です。モデルAからBへ変えたところ、新しい箱では10/20回から16/20回へ完了が増え、従来の箱では19/20回から12/20回へ減ったとします。全体の完了数だけで更新を決めると、既存の仕事を壊したことを見逃します。

| 比較群 | 固定するもの | 更新時の判断材料 |
|---|---|---|
| 従来の条件 | 既存の評価入力と完了基準 | 以前できた条件で悪化していないか |
| 追加した条件 | 新しい箱・配置・例外の一覧 | 追加データで狙った失敗が減ったか |
| 運用上の条件 | 時間の測り方と介入の数え方 | 完了率以外に遅延や介入が増えていないか |

採用基準は比較の前に決め、結果を見てから都合のよい群だけを選びません。戻す対象はモデルだけでなく、前処理、制御、設定、ハンドなど構成の一式です。版の対応表に戻し先を残し、配布した版と実際に動いている版が一致するかも確認対象にします。

データ分割の架空例は「収録日D1の実演E001〜E080を学習、別収録日D2のE081〜E100を採否判断用」と候補票に記し、採否判断用の実演IDを学習に使いません。同じ連続実演のフレームを両方へ分けないことも確認します。

前記の新条件が改善し従来条件が悪化する例では、採否票を「全体採用は見送り／理由：従来箱の悪化／判断者：業務責任者A／未確認：従来箱の失敗原因／戻し先：構成A」とします。次はデータの偏りを調べるか、新しい箱だけに限定する案を別に評価します。例の件数は合格目安ではありません。監視票には「対象条件__／観測する指標__／調査へ回す値と業務上の根拠__／確認担当__／戻す構成__」を埋め、導入前に合意します。


## 参考文献

- NIST. AI RMF Core. NIST、AI RMF 1.0のWeb版、5.3 Measureの2.1・2.3〜2.5・4.3、5.4 Manageの2.4・4.1〜4.2、2026-10-09閲覧. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/（参照日 2026-10-09）
- Hugging Face LeRobotチーム. Imitation Learning on Real-World Robots. Hugging Face、版番号表示なし、Set up and Calibrate・Teleoperate・Run inference and evaluate your policy、2026-10-09閲覧. https://huggingface.co/docs/lerobot/il_robots（参照日 2026-10-09）
- Moo Jin Kim、Karl Pertsch、Siddharth Karamcheti ほか. OpenVLA: An Open-Source Vision-Language-Action Model (2024). arXiv、arXiv:2406.09246v3、2024-09-05、5.2・5.4・6節. https://arxiv.org/abs/2406.09246（参照日 2026-10-09）
- Jarek Kazmierczak、Khalid Salama、Valentín Huerta. MLOps: Continuous delivery and automation pipelines in machine learning (2024). Google Cloud、更新日2024-08-28、Data and model validation・Metadata management・ML pipeline triggers. https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning（参照日 2026-10-09）

## 更新履歴

- 2026-10-09: 初版
- 2026-10-13: 用語集に定義を追加
- 2026-10-27: 実行環境の説明を整理。
- 2026-10-27: 日本語表現を校正し、助詞・語順・主語と述語の対応を改善
- 2026-10-27: 主題の関係を説明する図を追加
- 2026-10-28: 対象に即した記入例、判断の分岐、失敗時の確認事項を追加。
- 2026-11-05: 本文と更新履歴の説明を簡潔化
