初心者向けガイド：VLAでtoioを操作する
本文の状態
日本語全文を表示中
詳細モードで約6分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
ABEJA Tech Blog
ABEJAの飯嶌が、高価なロボットアームではなくtoioを使い、低コストでVLA（Vision-Language-Action）の検証環境を構築する方法を紹介。Physical AIの実証実験のハードルを下げる取り組み。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
こんにちは！ABEJA に新設されたエンボディドインテリジェンスグループ で PM をしている飯嶌です。 こちらはABEJAアドベントカレンダー2025の24日目の記事です。
昨今、Physical AI への注目が集まっています。しかし、実際に SO-101 などのアームロボットを用いて検証を行おうとすると、組み立ての工数や数万円単位の部材コストが発生し、ハードルが高いと感じられる方も多いのではないでしょうか。
今回は、toio を活用し、低コストかつ手軽に VLA の検証環境を構築できないか挑戦しましたので、その取り組みについてご紹介いたします。
Physical AI 検証における課題
実装・検証 Step 1: 接続テスト - toio.py による制御
Step 2: テレオペレーションの実装
Step 3: 学習と推論 - pushT タスクへの挑戦
Physical AI 検証における課題
ロボット学習のプロトタイピングにおいて、ハードウェアの用意は最初にして最大の障壁です。高価なロボットアームや複雑な制御システムは、学習コスト以前に導入コストが重くのしかかります。
そこで今回は、以下の特徴を持つ toio Core Cube に着目しました。toio はソニー・インタラクティブエンタテインメントが開発した、遊びながらプログラミング的思考や創造力を学べるロボットトイ／教育向け玩具です。
入手性: おもちゃとして市販されており、安価に入手可能
制御性: Bluetooth Low Energy (BLE) によるシンプルな制御
性能: 高精度なモーターと絶対位置検出機能を内蔵
これを用いて、ロボット学習における Hello World 的な立ち位置の環境構築を目指します。
今回は以下の構成を構築しました。 
まずは買い物リストです。toio 本体以外は、すでに持っているものも多いかもしれません。下記の金額はあくまでも 2025 年 12 月時点のものですのでご注意ください。
なんでもいいです。私は アクラス PS4/PS3/PC 用 シンプルコントローラーターボ Ver.2をヨドバシで購入しました。
私は普段利用している iPhone 13 Pro をカメラとして利用しました。
GPU 環境です。手元にない場合はこちらを利用しましょう。
本記事では、Python のパッケージ管理およびコマンド実行に uv
Step 1: 接続テスト - toio.py による制御
まずは Python 環境から BLE 経由で toio を制御できるか確認します。専用ライブラリである toio.py
mkdir toio-quick-start uv init uv add toio.py
import asyncio from toio import ToioCoreCube async def main(): print("接続を開始します...") async with ToioCoreCube() as cube: print("接続完了！回転します") # motor_control(左モーター速度, 右モーター速度) await cube.api.motor.motor_control(30, -30) await asyncio.sleep(2) # 停止 await cube.api.motor.motor_control(0, 0) print("停止しました") asyncio.run(main())
Step 2: テレオペレーションの実装
ここからが本題です。Hugging Face が開発するロボット学習フレームワーク LeRobot を導入し、データ収集の基盤を作ります。今回は有志によって作成されたプラグインを利用させていただきました。
参考リポジトリ：https://github.com/njima/lerobot-hardware-plugins
git clone https://github.com/njima/lerobot-hardware-plugins.git cd lerobot-hardware-plugins uv sync
以下のコマンドで、PC に接続したコントローラーから toio を操作できるようになります。これが教師データを収集する Recording フェーズの前段階となります。
uv run lerobot-teleoperate \ -robot.type=toio_follower \ -teleop.type=toio_leader \ -fps=60
Step 3: 学習と推論 - pushT タスクへの挑戦
今回は pushT を物理環境で再現しました。pushT とは T 字型のブロックを所定の枠に押し込むタスクです。
- データ収集 (Record)
50 エピソード、つまり 50 回分の操作データを収集しました。カメラ映像と操作ログを同期して記録します。
uv run lerobot-record \ --robot.type=toio_follower \ --robot.cameras='{ "top": { "type": "opencv", "index_or_path": 0, "width": 1280, "height": 720, "fps": 30 } }' \ --teleop.type=toio_leader \ --display_data=true \ --dataset.repo_id="your-username/repo id" \ --dataset.num_episodes=50
収集したデータセットを用い、モデルの学習を行います。ローカルに GPU リソースがない場合、Google Colab 上での実行も有効です。
uv run lerobot-train \ --dataset.repo_id="your-username/repo id" \ --policy.type=smolvla \ --policy.repo_id="your-username/repo id" \ --policy.device=cuda \ --steps=5000 \ --batch_size=8 \ --num_workers=0 \
- 自律走行 (Inference)
学習済みモデルであるポリシーをロードし、推論モードで実行します。
uv run lerobot-record \ --robot.type=toio_follower \ --robot.cameras='{ "top": { "type": "opencv", "index_or_path": 0, "width": 1280, "height": 720, "fps": 30 } }' \ --display_data=true \ --dataset.repo_id="your-username/repo id" \ --dataset.single_task="Push the T-shaped block onto the T-shaped target." \ --dataset.push_to_hub=false \ --dataset.num_episodes=1 \ --dataset.episode_time_s=60 \ --dataset.reset_time_s=5 \ --policy.path="your-username/repo id"
今回、学習が最後までうまく回らずにブロックを押し込むことができませんでした。（ちびちび動いたり、少しだけT字に触って満足して終わるなんてことがありました...）更に良質なデータを収集し学習回数を重ねることで、より精度を高めることができると考えています。
今回は toio を用いて、VLA におけるデータ収集、学習、推論のサイクルを一通り検証しました。 VLA のはじめの一歩として、データを収集する際のもどかしさや難しさを実体験できたことは、非常に良い経験になりました。 また、最近では toio の ROS 2 対応を進めるリポジトリ、toio_ros2 なども登場しており、初手での学習教材としての有用さは更に増していくことかと思います。これからも Physical AI がより一層進展していく中で、まだ触れたことのない方はこの記事が参考になれば幸いです。
LeRobot v0.4.0 のコマンド一覧
toio.py クイックスタート
LeRobot x toio のテレオペを試す
ABEJAは、テクノロジーの社会実装に取り組んでいます。 技術はもちろん、技術をどのようにして社会やビジネスに組み込んでいくかを考えるのが好きな方は、下記採用ページからエントリーください！ （新卒の方やインターンシップのエントリーもお待ちしております！）
careers.abejainc.com
特に下記ポジションの募集を強化しています！ぜひ御覧ください！
トランスフォーメーション領域：データサイエンティスト | 株式会社ABEJA
トランスフォーメーション領域：データサイエンティスト（ミドル） | 株式会社ABEJA
トランスフォーメーション領域：データサイエンティスト（シニア） | 株式会社ABEJA
原文を表示
こんにちは！ABEJA に新設されたエンボディドインテリジェンスグループ で PM をしている飯嶌です。 こちらはABEJAアドベントカレンダー2025の24日目の記事です。
昨今、Physical AI への注目が集まっています。しかし、実際に SO-101 などのアームロボットを用いて検証を行おうとすると、組み立ての工数や数万円単位の部材コストが発生し、ハードルが高いと感じられる方も多いのではないでしょうか。
今回は、toio を活用し、低コストかつ手軽に VLA の検証環境を構築できないか挑戦しましたので、その取り組みについてご紹介いたします。
Physical AI 検証における課題
実装・検証 Step 1: 接続テスト - toio.py による制御
Step 2: テレオペレーションの実装
Step 3: 学習と推論 - pushT タスクへの挑戦
Physical AI 検証における課題
ロボット学習のプロトタイピングにおいて、ハードウェアの用意は最初にして最大の障壁です。高価なロボットアームや複雑な制御システムは、学習コスト以前に導入コストが重くのしかかります。
そこで今回は、以下の特徴を持つ toio Core Cube に着目しました。toio はソニー・インタラクティブエンタテインメントが開発した、遊びながらプログラミング的思考や創造力を学べるロボットトイ／教育向け玩具です。
入手性: おもちゃとして市販されており、安価に入手可能
制御性: Bluetooth Low Energy (BLE) によるシンプルな制御
性能: 高精度なモーターと絶対位置検出機能を内蔵
これを用いて、ロボット学習における Hello World 的な立ち位置の環境構築を目指します。
今回は以下の構成を構築しました。
まずは買い物リストです。toio 本体以外は、すでに持っているものも多いかもしれません。下記の金額はあくまでも 2025 年 12 月時点のものですのでご注意ください。
なんでもいいです。私は アクラス PS4/PS3/PC 用 シンプルコントローラーターボ Ver.2をヨドバシで購入しました。
私は普段利用している iPhone 13 Pro をカメラとして利用しました。
GPU 環境です。手元にない場合はこちらを利用しましょう。
本記事では、Python のパッケージ管理およびコマンド実行に uv
Step 1: 接続テスト - toio.py による制御
まずは Python 環境から BLE 経由で toio を制御できるか確認します。専用ライブラリである toio.py
mkdir toio-quick-start uv init uv add toio.py
import asyncio from toio import ToioCoreCube async def main(): print("接続を開始します...") async with ToioCoreCube() as cube: print("接続完了！回転します") # motor_control(左モーター速度, 右モーター速度) await cube.api.motor.motor_control(30, -30) await asyncio.sleep(2) # 停止 await cube.api.motor.motor_control(0, 0) print("停止しました") asyncio.run(main())
Step 2: テレオペレーションの実装
ここからが本題です。Hugging Face が開発するロボット学習フレームワーク LeRobot を導入し、データ収集の基盤を作ります。今回は有志によって作成されたプラグインを利用させていただきました。
参考リポジトリ：https://github.com/njima/lerobot-hardware-plugins
git clone https://github.com/njima/lerobot-hardware-plugins.git cd lerobot-hardware-plugins uv sync
以下のコマンドで、PC に接続したコントローラーから toio を操作できるようになります。これが教師データを収集する Recording フェーズの前段階となります。
uv run lerobot-teleoperate \ -robot.type=toio_follower \ -teleop.type=toio_leader \ -fps=60
Step 3: 学習と推論 - pushT タスクへの挑戦
今回は pushT を物理環境で再現しました。pushT とは T 字型のブロックを所定の枠に押し込むタスクです。
- データ収集 (Record)
50 エピソード、つまり 50 回分の操作データを収集しました。カメラ映像と操作ログを同期して記録します。
uv run lerobot-record \ --robot.type=toio_follower \ --robot.cameras='{ "top": { "type": "opencv", "index_or_path": 0, "width": 1280, "height": 720, "fps": 30 } }' \ --teleop.type=toio_leader \ --display_data=true \ --dataset.repo_id="your-username/repo id" \ --dataset.num_episodes=50
収集したデータセットを用い、モデルの学習を行います。ローカルに GPU リソースがない場合、Google Colab 上での実行も有効です。
uv run lerobot-train \ --dataset.repo_id="your-username/repo id" \ --policy.type=smolvla \ --policy.repo_id="your-username/repo id" \ --policy.device=cuda \ --steps=5000 \ --batch_size=8 \ --num_workers=0 \
- 自律走行 (Inference)
学習済みモデルであるポリシーをロードし、推論モードで実行します。
uv run lerobot-record \ --robot.type=toio_follower \ --robot.cameras='{ "top": { "type": "opencv", "index_or_path": 0, "width": 1280, "height": 720, "fps": 30 } }' \ --display_data=true \ --dataset.repo_id="your-username/repo id" \ --dataset.single_task="Push the T-shaped block onto the T-shaped target." \ --dataset.push_to_hub=false \ --dataset.num_episodes=1 \ --dataset.episode_time_s=60 \ --dataset.reset_time_s=5 \ --policy.path="your-username/repo id"
今回、学習が最後までうまく回らずにブロックを押し込むことができませんでした。（ちびちび動いたり、少しだけT字に触って満足して終わるなんてことがありました...）更に良質なデータを収集し学習回数を重ねることで、より精度を高めることができると考えています。
今回は toio を用いて、VLA におけるデータ収集、学習、推論のサイクルを一通り検証しました。 VLA のはじめの一歩として、データを収集する際のもどかしさや難しさを実体験できたことは、非常に良い経験になりました。 また、最近では toio の ROS 2 対応を進めるリポジトリ、toio_ros2 なども登場しており、初手での学習教材としての有用さは更に増していくことかと思います。これからも Physical AI がより一層進展していく中で、まだ触れたことのない方はこの記事が参考になれば幸いです。
LeRobot v0.4.0 のコマンド一覧
toio.py クイックスタート
LeRobot x toio のテレオペを試す
ABEJAは、テクノロジーの社会実装に取り組んでいます。 技術はもちろん、技術をどのようにして社会やビジネスに組み込んでいくかを考えるのが好きな方は、下記採用ページからエントリーください！ （新卒の方やインターンシップのエントリーもお待ちしております！）
careers.abejainc.com
特に下記ポジションの募集を強化しています！ぜひ御覧ください！
トランスフォーメーション領域：データサイエンティスト | 株式会社ABEJA
トランスフォーメーション領域：データサイエンティスト（ミドル） | 株式会社ABEJA
トランスフォーメーション領域：データサイエンティスト（シニア） | 株式会社ABEJA
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み