NVIDIAは2026年11月6日、無線ネットワークの実験やシミュレーションに使用するAerial、Sionnaなどの公開ツールを活用した研究成果を紹介した。Aerialの公開から約1年が経過し、同社によると、関連基盤を利用する研究機関や学術機関は世界で8,000を超えた。なかでも注目されるのが、King's College Londonなどが取り組むロボット研究だ。カメラ画像を定期的に送信する従来方式と比較して、作業完了時間を最大52.6%短縮したという。ただし、この結果は既存の5G設備を使い、通信だけでなく推論やロボットの動作まで含めて測定したものだ。将来の6Gに向けた研究成果を評価するには、通信速度そのものの改善と、通信を利用する作業全体の効率化を区別する必要がある。
画像の代わりに物体の位置や関係性を送信
ロボット研究で変更したのは、カメラが捉えた情報をネットワーク経由で伝える方法だ。従来方式では、RGB画像をPNG形式で圧縮して定期的に送信し、受信側の視覚言語モデルが画像を解析して次の動作を判断していた。これに対し、提案方式ではロボット側で作業に必要な情報をあらかじめ抽出し、その情報だけを送信する「目的指向通信」を採用している。画像全体を伝えるのではなく、ロボットが次の動作を決めるために必要な情報を選んで送る仕組みだ。
具体的には、物体の位置や大きさを表す3次元の囲み枠（バウンディングボックス）や、物体同士の空間的な関係を表現する「シーングラフ」を利用する。画像の画素情報をそのまま送る代わりに、何がどこにあり、ほかの物体とどのような位置関係にあるのかを構造化して伝える。研究チームは2次元と3次元のシーングラフをそれぞれ検証し、3次元シーングラフを用いる方式では、物体の囲み枠も併せて送信した。単に画像の圧縮率を高めるのではなく、送信する情報そのものを変えている点が特徴だ。
実験にはPiPERロボットアームとRGB-Dカメラを使用し、5Gモデム経由でネットワークに接続した。Jetson AGX OrinではSionna Research Kitを活用し、基地局やコアネットワーク、エッジ処理を担う構成とした。5GネットワークにはOpenAirInterfaceを採用し、無線区間の距離は0.5m、搬送波周波数は3.3GHz、帯域幅は40MHzに設定している。したがって、多数のロボットが広い範囲を移動するような環境を再現した実験ではない。
研究チームは果物の箱詰めとキューブの積み上げという2種類の作業を対象に、各通信方式について、それぞれの作業を20回ずつ実施した。試験では、物体の把持失敗や落下に加え、誤った位置への配置、積み上げ順序の間違い、衝突なども扱っている。研究成果はarXivのプレプリント（2609.15895）として公開されている。
報告された最大52.6%という短縮率は、画像を定期的に送信する従来方式との作業完了時間の比較によるものだ。測定対象には、情報の抽出、通信、推論に加え、方式によってはデジタルツインによる動作検証も含まれ、最終的なロボットの動作が終わるまでの時間を計測している。研究チームは作業の成功率も改善したと報告しているが、すべての作業や通信方式で同じ時間短縮効果が得られたわけではない。
送信データと推論処理を同時に削減
提案方式では、ロボット側で必要な情報を抽出する工程が増えるため、その処理時間が新たに発生する。それでも作業全体の時間を短縮できたのは、送信するデータ量が大幅に減り、受信側の推論処理も軽くなったためだ。前処理に時間をかける代わりに、その後の通信と判断に必要な時間を削減する仕組みである。
論文によると、最も高い圧縮設定を適用したPNG画像が約150KBだったのに対し、抽出した情報のデータ量は1KB未満だった。画像を高い圧縮率で処理する場合、その圧縮処理自体にも時間がかかる。したがって、両方式の違いは単純なデータ転送量の差にとどまらず、画像を圧縮する時間と情報を抽出する時間の違いにも表れる。作業全体の効率を評価するには、こうした処理時間を含めて比較する必要がある。
推論に使用するAIモデルも、送信する情報に応じて変更している。3次元の囲み枠だけを送る方式では大規模言語モデル（LLM）を使用した一方、2次元または3次元のシーングラフを利用する方式では、小型言語モデル（SLM）を採用した。物体同士の関係があらかじめ明示されていれば、受信側で画像を解析して関係性を把握する負荷を減らせるためだ。今回の研究は、通信データの形式だけでなく、その情報を処理するAIモデルまで含めて設計を見直した点に特徴がある。
また、ロボットの動作を実行する前に仮想空間で検証するデジタルツインも、一部の方式に組み込まれている。デジタルツインを使用したのは、3次元の囲み枠を送信する方式と、3次元シーングラフを利用する方式だ。このように、方式によって情報の抽出方法、推論モデル、動作検証の構成が異なるため、作業時間の短縮を通信方式だけの効果として評価することはできない。
無線帯域幅と遅延の関係についても興味深い結果が得られた。送信する情報が十分に小さい場合、帯域幅を20MHzから40MHzに拡大しても、遅延の短縮効果は限定的だったという。データ転送そのものにかかる時間が短くなると、通信プロトコルの処理など、データ量にかかわらず発生する固定的な負担が相対的に大きくなるためだ。これは、通信帯域を広げるだけでは作業全体の遅延を十分に改善できない場合があることを意味する。
ニューラル受信機の性能向上と基地局の省電力化
SoftBankは、Aerialの5G物理層にTransformerを用いた「ニューラル受信機」を組み込み、受信性能の改善を検証した。ニューラル受信機とは、無線で受信した信号から送信情報を復元する処理にニューラルネットワークを利用する技術だ。ロボット研究が送信する情報の形式を見直したのに対し、こちらは受信した無線信号の処理方法を変更している。
実験は遮蔽室内で商用5Gスマートフォンを使用して実施した。周波数帯はn78、帯域幅は100MHz、上りリンクの空間レイヤー数は1とし、干渉が存在する条件で評価している。電力制御に関する15種類の設定を用意し、各方式について、それぞれの設定で約1分間の測定を3回行った。その結果、すべての設定でニューラル受信機の平均上り物理層スループットが従来方式を上回ったという。
最大の改善が確認されたのは、校正後の信号対干渉雑音比（SINR）が約−0.6dBの条件だった。ニューラル受信機のスループットは47.9Mbit/s、従来方式は29.9Mbit/sとなり、SoftBankは丸める前の測定値に基づき、最大60.5%の向上を報告している。ただし、この数値が表しているのは、受信側で正常に復号できたデータのビットレートだ。スマートフォンのアプリケーションでファイルを転送する際の実効速度を測定したものではない。
学習と評価には同じスマートフォンを使用し、端末の設置条件も共通としている。一方、評価時には学習時より幅広い電力設定を用いた。今後は上りリンクの空間レイヤー数を2に増やした場合や、端末・伝搬環境が異なる条件でも改善効果を維持できるかを確かめる必要がある。
NVIDIAはこのほか、ETH Zurichが現地で取得した無線測定データを用いて、受信機を調整した研究も紹介している。Aerial Testbed上で受信機を調整した結果、比較対象に選んだ事前学習済みモデルに対して、ブロック誤り率を3分の1以上削減したという。ブロック誤り率は、受信したデータブロックを正しく復元できなかった割合を表す指標である。SoftBankの実験がスループットの向上を示したのに対し、ETH Zurichの研究は受信エラーの削減に重点を置いている。
一方、Leedsの研究では、無線アクセスネットワーク（RAN）の消費電力削減に取り組んだ。NVIDIAの説明によると、10分先までの通信需要を予測し、隣接する基地局で利用者の通信を維持できることを確認したうえで、一部の基地局を休止させる仕組みだ。必要になれば基地局を再稼働させ、通信需要の変化に対応する。DGX Sparkを使用した5G実験設備とデジタルツインによる検証では、基地局を常にフル電力で稼働させる基準方式と比較して、接続を維持しながらRANの消費電力を45.6%削減したという。ただし、この数値はRANを対象としたものであり、GPUなどを含む設備全体や通信ネットワーク全体の消費電力が同じ割合で減ったことを意味するものではない。
6Gに向けた研究成果と今後の検証課題
CTTCは、ネットワークシミュレーター「ns-3」の5G-LENAにおいて、従来CPUが担当していた無線チャネルの計算を、CUDAやWebGPUを利用したGPU処理に置き換える研究を進めた。多数のセルや利用者、大規模なアンテナ配列を含む無線環境の計算を高速化することが目的だ。ここで短縮するのは実際の無線通信にかかる時間ではなく、通信ネットワークを設計・評価するためのシミュレーション時間である。
ただし、シミュレーションの計算速度が向上しても、結果の再現性や信頼性が損なわれれば、ネットワーク設計の比較には利用しにくい。CTTCは3GPP TR 38.901に基づく校正を実施し、従来のCPUによる計算結果とネットワーク性能を比較することで、統計的な挙動が維持されていることを検証したと説明している。単にGPUで計算を高速化するだけでなく、既存の計算手法との整合性を確認した点が重要だ。
今回NVIDIAが紹介した研究成果は、それぞれ異なる指標で評価されている。ロボット研究の最大52.6%は通信、推論、動作までを含む作業完了時間の短縮率であり、SoftBankの最大60.5%は上り物理層スループットの改善率だ。Leedsの45.6%はRANの消費電力削減率であり、CTTCの研究はシミュレーション計算の高速化を対象としている。いずれも無線ネットワークの効率改善に関わる成果だが、測定対象や実験条件が異なるため、数値を直接比較して技術の優劣を判断することはできない。
NVIDIAが今回発表したのは、公開した研究基盤を活用した取り組みの進展である。8,000を超える研究・学術機関という数字は、あくまで同社が集計した関連基盤の利用状況を示すものであり、研究成果の成功率や商用導入率を表しているわけではない。また、紹介された成果の多くは5G設備や実験環境を使って得られたものであり、そのまま将来の商用6Gネットワークの性能を保証するものでもない。
それでも、研究者が共通の公開基盤を使い、通信方式やAIモデル、ネットワーク構成を変更しながら比較検証できることには意義がある。今後は、ロボットの台数を増やした場合や、無線環境が複雑になった場合、処理負荷が高まった場合にも、作業時間や受信品質の改善が維持されるかが重要な検証課題となる。こうした研究が進めば、回線のピーク速度だけを追求するのではなく、通信を利用するシステム全体の処理時間や消費電力まで考慮した、より実用的なネットワーク設計につながる可能性がある。