Mind Render AI特集

– 入門編と本格研究編、2つのAI学習教材を提供 –

近年、AI関連技術は加速度的に進化しており、その利用はビジネスから日常生活まで広がっています。Mind Renderでは、こうしたAIブームに先立ち、2019年頃より東京大学情報理工学系研究科　電子情報学専攻　伊庭研究室と共同で本格的なAI学習・実験環境の開発に取り組んできました。また、その成果として大学生向けの実験教材「Mind Render / AI Drill」を有料で提供してきました。

一方で、「Mind Render / AI Drill」を使うにはプログラミングスキルや事前知識が一定程度必要であるため、手軽に試すことが難しいと言う課題もありました。そこで、より多くの方にAIを学んでいただけるよう、入門編として、小学生高学年からでもわかりやすいAIの実習例題を新たに作成しました。自分で作成したAI機能をMind Renderのゲーム内で使うことも可能です。（モデルのトレーニング量も大きく異なり、入門編を1とすると「Mind Render / AI Drill」は100となります。）

また、入門編の提供に合わせて、「Mind Render / AI Drill」も無料にしてご提供することにいたしました。

目的あわせて、より多くの皆さまにご活用いただければ幸いです。

入門編：初めてのAI
主な対象：小中学・高校生など
はじめてAIに触れる方でも、直感的に操作しながら基本的なAI（機械学習）の仕組みを学べる環境です。

本格研究編：本格的なAI学習・実験環境「Mnd Render / AI Drill」
主な対象：高専・専門学校・大学生など
高度な学習・検証が可能な、専門性の高いAI研究向け環境を提供します。

入門編：初めてのAI

– Mind Render×Teachable MachineでAIを動かしてみよう –

初めてAIに触れる小・中学や高校生でも、直感的にAI（機械学習）の仕組みを理解できる入門環境です。

Googleの「Teachable Machine」で学習させたモデルをMind Renderに取り込み、
・Mind Renderのゲーム内（プログラム内）で利用する

　（交通標識を認識できる車など）
・ロボットなど外部デバイスと連携して動作させる
といった体験が可能です。

「AIってどういう仕組みで動いているの？」という素朴な疑問を、実際に触れながら楽しく学んでいただけます。

（１）iOS、Android、Chromebook、macOSをご利用の場合（比較的簡単です）

Teachable Machineの学習済みモデルをMind Renderにシームレスに取り込むことができます。詳しくはこちらをご参照ください。

（２）Windows、Nintendo Switchをご利用の場合（少し手間がかかります）

Teachable Machineの学習済みモデルをPython、Unity Editorで変換する必要があります。

上級編：本格的なAI学習・実験環境

– Unityで学ぶ。見てわかるAI学習「Mind Render / AI Drill」を無料公開 –

「Mind Render / AI Drill」は、Mind Renderから派生したAI学習・実験環境です。東京大学情報理工学系研究科　電子情報学専攻　伊庭研究室との共同研究を通じて開発されたユニークな学習ツールで、
・AIの基礎的な説明（テキスト）
・プログラム開発環境
・ビジュアルなシミュレーション環境
を一つにまとめて提供しています。実際に大学で使われた実績もあります。

従来、有料でご提供してまいりましたが、より多くの教育現場でご活用いただけるよう、本特集期間中にダウンロードされた場合は無料でご利用いただけます。
高専・専門学校・大学などでのAI学習教材としてご活用いただければ幸いです。

■主な特徴

・強化学習（自動運転）

・進化計算（車の形状進化）

・ACO（アリのフェロモントレイル）

・ニューラルネットワーク（倒立振子）

といったいろいろな種類のAIのアルゴリズムを実際にシミュレーションしながら理解できます。
学習環境は基本的にはUnityとC#で実装しますが、自動運転については、UnityとPythonの連携環境も提供しています。
Unityをインストールすればすぐにシミュレーションを開始でき、結果をリアルタイムで視覚的に確認できます。

ご注意

  • Unity Asset Storeからダウンロードしていただけます。下記の各項目名のリンクから遷移できます。
  • ご利用にはUnityのインストールが必要です。Unityのインストールやライセンスの詳細は、Unityの公式サイト等をご確認ください。
  • 内容に関する質問はお問い合わせいただいてもお答えいたしかねます。あらかじめご了承いただきますようお願いいたします。

無料公開　第1弾（2026/3月上旬開始予定）

自動運転をテーマとするアセットを公開します。

自動運転 (Mind Renderとの連携)

*クリックするとUnity Asset Storeに遷移します。

自動運転の機械学習をUnityで行い、学習結果を「Mind Render」で試すことができるアセットです。

プログラミングは不要で、学習結果はMind Renderで視覚的に確認できるので、初めて機械学習を試される場合や、プログラミングなしで機械学習を試しみたいという方に最適です。

  • Mind Renderとの連携について
  1. Mind Renderで各種設定を行い、Unityに送信
  2. Unity上で学習
  3. 学習結果をMind Renderに送信し、Mind Render上で自動運転をテスト
  • Mind Renderの以下のラボでサンプルプログラムを提供しています。
    つくる > ちょっとお勉強 > AIと機械学習 > 2. Q学習、　3. ニューロ進化

自動運転（Q学習とニューロ進化）

*クリックするとUnity Asset Storeに遷移します。

予め決められたルートに最適化するのではなく、事前知識なしでどのようなコースでもうまく走れるような自動運転AIを実装します。
センサーや速度などの情報を元に、壁や障害物にぶつからずに運転できるよう強化学習（Q学習）またはニューロ進化を用いて学習させます。

  • 強化学習：直接正しい行動を教えるのではなく、目的を達成したときに与えられる報酬が最大化するように最適な行動を学習します。
  • ニューロ進化（Neuroevolution）：ニューラルネットワークの学習や生成に進化的アルゴリズム（突然変異や適者生存など生物の進化のメカニズムに着想を得たアルゴリズム）を用いる手法の総称で、複雑な制御が求められるヒューマノイドロボットの制御などで用いられています。

自動運転（Python連携）

*クリックするとUnity Asset Storeに遷移します。

自動運転のプログラム（ニューロ進化）のAI学習部分をPythonによって記述することで、Unity（C#）では難しい複雑なニューラルネットワークの実装を容易にします。

Pythonで簡単なニューラルネットワークが実装してあります。また、ネットワーク部分をより複雑なもの（回帰型ニューラルネット（RNN）など）に置き換えて、自動運転の性能を改善を試みることも可能です。

  • UnityとPython間の連携制御
    • Python側：主にニューラルネットワークの計算、管理
    • Unity側：主にエージェントの状態の取得、制御（ニューラルネットワークの入出力の定義、報酬設計などはC#）

無料公開　第2弾（2026/3月上旬開始予定）

車の形状進化

本アセットは、遺伝的アルゴリズム（Genetic Algorithm、GA）を用いて、凹凸のあるコースを走破するよう車の形状が進化するシミュレーションを行います。

遺伝的アルゴリズムとは、生物の進化から着想を得た最適化アルゴリズムの一種です。世代交代を繰り返しながら選択、交叉、突然変異などの遺伝的操作を適用し、適応度の高い個体を探索していきます。

遺伝的操作の方法、コースの凸凹具合、適応度、各種設定を変更することで、進化にどのような影響があるか、より良い結果を得るために試行することができます。

無料公開　第3弾（2026/3月中旬開始予定）

群知能（アリのフェロモントレイル）

アリはフェロモンを介して情報を交換し、行列をなすことによって効率よく採餌を行うと考えられています。

このアリの振る舞いは生物に見られる群知能の代表的な例として知られ、蟻コロニー最適化（ACO）などの最適化アルゴリズムもこのアリの振る舞いから着想を得ています。

本アセットでは、アリのフェロモン放出や感知、意思決定について簡単なモデルを仮定してシミュレーションを行うことができます。餌の配置、地形の変更、各種パラメータを変更することで、アリの振る舞いがどのように変わるか試すことができます。

無料公開　第4弾（2026/3月下旬開始予定）

ニューラルネットワーク

本アセットでは、倒立振子の例題を用いてニューラルネットワークを学習することができます。

倒立振子は、台車の上に立てた棒を台車を適切に制御することで倒さないようにする問題で、制御アルゴリズムの性能を評価するベンチマーク問題としてよく利用されています。

ニューラルネットワークの層の数など各種設定を変更することで、学習にどのような影響があるか試すことができます。

また、本プログラムでは教師データを生成するために事前知識や経験的知識が必要ですが、報酬を扱えるように改良すれば強化学習をすることができます。強化学習と本アセットと組み合わせることで、DQN（Deep Q-Newwork）を実現することも可能です。