Ouster、Stereolabs製「ZED X Nano」リストマウントカメラを発表

Ousterは、デジタルLiDAR、カメラ、AIコンピューティング、センサーフュージョンおよび知覚ソフトウェア、AIモデルを提供しています。 | 出典：Ouster

Ouster, Inc.は昨日、ロボット操作、模倣学習、および大量データ収集向けに設計された、手首装着型のコンパクトなステレオカメラ「Stereolabs ZED X Nano」の発売を発表しました。

「Stereolabs社のAIビジョンおよび知覚ソリューションにおけるリーダーシップを基盤として、ZED X Nanoは、よりコンパクトなフォームファクターを必要とする新たな用途を開拓し、産業およびロボット市場へのさらなる浸透を可能にします」と、OusterのCEOであるアンガス・パカラ氏は述べています。 「フィジカルAIの未来は、エッジで収集される膨大な量の高品質かつ低遅延の画像データにかかっています。ZED X Nanoにより、我々はロボット研究者にビジョンシステムの大幅なアップグレードを提供し、機械が卓越した精度で知覚、推論、行動、学習を行うことを可能にします。」

ロボット工学チームが操作タスク向けに模倣学習や強化学習を拡大するにつれ、RGB画像の品質とエンドツーエンドのキャプチャ遅延が主要なボトルネックとなっています。従来のカメラはUSB接続に依存することが多く、低解像度の720p RGBおよび深度データをキャプチャし、スループットを制限して遅延を増大させるCPUを介したパイプラインを必要とします。

Ousterは、これらの課題を解決するためにStereolabs ZED X Nanoを開発しました。本製品は、同等のソリューションと比較して高さが40%低く、ロボットのハンドやエンドオブアームツールに直接取り付け可能です。また、フラッグシップモデルであるZED Xカメラシリーズと同じ、信頼性の高い1920×1200グローバルシャッターセンサーを採用しています。 本カメラは、トレーニングデータやマニピュレーションタスク向けに、最大120フレーム/秒で高解像度のRGBおよび深度画像を撮影可能です。

ZED X Nanoは本日より予約受付を開始し、2026年5月より出荷を開始します。

ZED X NanoはフィジカルAI向けに設計され、サブミリメートル級の精度を実現

ZED X Nanoの中核には、センサーからGPUまでのデータパスが完全にゼロコピーである超低遅延のキャプチャパイプラインが搭載されています。これにより、フレームをNVIDIAハードウェアエンコーダーとAI推論パイプラインに同時に直接ストリーミングすることが可能になります。

データ収集チームにとっては、これによりフル解像度での高スループットなデータセットのキャプチャが可能になります。デプロイメントチームにとっては、同じビデオフィード上で知覚、セグメンテーション、ポリシーネットワークを並列に実行できるため、より多くのGPUリソースを解放できます。

深度センシングは、Stereolabs社のNeural Depth Engineによって実現されています。これはAI駆動のステレオ深度システムであり、Z軸方向でサブミリメートル級の精度を達成します。 Ouster社によると、この深度エンジンは、従来の構造化光カメラやToF（飛行時間）カメラに比べて、横方向（XY）の位置決め精度が大幅に向上しているとのことです。これは、横方向の誤差が操作の失敗につながる可能性がある把持姿勢推定、精密配置、組立作業において、決定的な利点をもたらします。また、深度検知範囲は最小3センチメートルであり、市場の多くの競合ソリューションよりも近い距離にある物体を検出可能です。

Ousterは、ZED X Nanoを耐久性を重視して設計しました。本製品は、耐振動性のIMUを内蔵し、ロボットアームの繰り返される動作やケーブルへの負荷に耐えるよう設計された次世代ケーブルを採用した、堅牢なGMSL2接続で駆動されます。これにより、壊れやすいUSB-Cポートに代わり、最大15メートルの距離で映像を伝送できる産業用グレードのリンクが採用され、EMI耐性と確実なロック機能を持つコネクタが提供されます。

ZED X Nanoは、ROSおよびROS 2への完全なサポートに加え、シミュレーションから実環境への移行（sim-to-real transfer）を実現するNVIDIA Isaac SimおよびIsaac Labとのシームレスなネイティブ統合を提供する、Stereolabsの最新製品です。模倣学習や強化学習のパイプラインを開発するチームは、高忠実度のデモンストレーションをキャプチャし、正確にマッチングされたカメラモデルを使用してシミュレーションでトレーニングを行い、物理ハードウェアにデプロイすることができます。これらすべてを、同一のセンサーおよびソフトウェアスタックを利用して行うことが可能です。