著者丨呉思夢
編集丨峰 峰 馬暁寧
もし『Mario Tennis』や『TopSpin』をプレイしたことがあれば、テニスをすることはそれほど複雑なことだとは思わないだろう。ボールが飛んできて、キャラクターを動かし、着地点を判断し、適切なタイミングで打つボタンを押す。特に『Mario Tennis Aces』では、ゲームはさらにテニスを非常に直感的な動作言語へと分解している：フォアハンド、バックハンド、トップスピン、スライス、ロブ、さらには正確なタイミング合わせが必要な特殊ショットまである。Mario Tennis Aces ゲーム画面 現実のテニスはもちろんこれらよりはるかに複雑で、ゲームがやっているのは「動作マッピング」（action mapping）であり、本質的にはプレイヤーの非常に抽象的な「ボタン操作」を、キャラクターの一連の複雑な身体動作へとマッピングしている。プレイヤーはその動作がどう行われるかを知る必要はない。なぜなら中間の運動制御はゲームシステムに引き取られているからだ。ボールがいつ地面に落ちるか、体はいつ腰を回すか、足はどちらへ踏み出すか、腕はどのくらいの速度で振り出すべきか——これらのことはゲーム内ではほとんど隠されている。プレイヤーが目にするのはシンプルな入力だけで、ゲームエンジンがそれを一連の完全な身体動作へと翻訳する。ボールがどれほど速く飛んでこようと、キャラクターは重心調整が間に合わず立っていられなくなることもなければ、足が一歩遅れたために体のバランスを崩すこともない。しかし、この「ボタンを押せばラケットを振れる」キャラクターを本物のヒューマノイドロボットに置き換えると、「具身性」によって事情はまったく変わってくる。具身知能は、ゲームに隠されていたこの身体プロセス、すなわち意図から動作への隔たりを、ロボットが改めて引き受けることを求める。ロボットはまずボールがどこから来るかを判断し、次にいつ動くか、どれだけ動くかを決めなければならない。打点に近づくときは、両脚、腰、胴体、肩、腕、手首が協調しなければならない。ラケットがテニスボールに触れる時間はごく短い一瞬かもしれないが、その時間のうちに、ロボットは自身の姿勢、関節速度、摩擦、ラケットの重さ、来球速度といった一連の変化を処理しなければならない。したがってテニスは、非常に興味深いロボティクスの問題となる。それは実験室で静止したカップをつかむのとは違う。ボールは常に飛んでいて、打点は常に変わり、ロボットは一つの動作を一度正しくできればよいのではなく、絶えず変化する状態の中で繰り返し正しくできなければならない。必要なのももはや「何をすべきか知っていること」だけでなく、身体全体が数百ミリ秒あるいはそれより短い時間で協調した反応を形成できることである。これこそが IROS 2026 における銀河通用 GaLbot チーム、清華大学、北京大学、上海啓智研究院、上海人工知能実験室の研究チームによる研究——LATENT——が答えようとした問題である。論文タイトル自体が興味深い：不完全なヒューマンモーションデータからアスレチックなヒューマノイドのテニススキルを学習する。キーワードは“perfect”ではなく、むしろ“imperfect”である。研究チームは、入念に選別された完全で正確な人間のプロテニス試合データをロボットに用意しなかった。逆に、完全ではない人間の動作データを出発点として意図的に用い、ロボットにテニス運動の最も基本的な身体能力を学ばせ、その後強化学習とシミュレーションを通じて、これらの能力を実際にボールを打てるポリシーへと組み合わせた。言い換えれば、彼らが解決しようとしたのは「どうやって人間の動作をロボットに完全に複製するか」ではなく、現実に近い問題である：人間がロボットに与えるデモンストレーションがもともと不完全で十分に正確でない場合、ロボットはそこから何を学べるのか？
01
5時間の不完全なデータ
本当にロボットにある人間のテニス選手を学ばせたいなら、最も直感的な方法は、その選手を完全に記録することだ。構えから始まり、移動、スイング、打球、ポジション復帰、そして次の打球まで。できれば大量の異なる来球、異なる着地点、異なる身体姿勢、さらには完全な試合の過程も含めて。そうすればロボットが目にするのは「手をどう振るべきか」だけでなく、完全なテニス行動のセットとなる。問題は、こうしたデータの収集が非常に難しいことだ。まして目標がヒューマノイドロボットなら、人体とロボット自体の身体構造は同じではない。人間の腕の長さ、関節可動域、体重、筋力はいずれもロボットと異なり、モーキャプチャシステムが人の動作を正確に記録したとしても、ロボットがそっくりそのまま実行できるとは限らない。LATENTは別の道を取った。研究チームは5名のアマチュアテニス選手を招き、約3メートル×5メートルの動作収集エリアで、約5時間の人間の運動データを記録した。この空間は標準テニスコートのごく一部にも満たない。研究者は選手に完全な試合をさせることを求めず、テニス運動における最も基礎的な身体動作、フォアハンド、バックハンド、さらには横へのスライドステップ、クロスステップなどの移動動作に注意を集中させた。人間のテニス動作のモーキャプチャ これらの動作は非常に断片的に見える。ある人が横に2歩踏み出し、ある人がフォアハンドのスイングを一回完了し、ある人がバックハンドを一回行う。それらは完全なテニスの試合を組み立てることはできず、ましてロボットに「次の球をどこに打つべきか」を伝えることはできない。しかし研究チームは、これらの断片にも依然として非常に重要な何かが含まれていると考えた：人間がテニス運動に向き合うとき、自分の身体をどのように使っているのかということ。これも論文の言う“imperfect human motion data”である。いわゆる「不完全さ」には、少なくとも2つの側面がある。第一に、十分に正確ではない。モーキャプチャで得られた人体の運動は、ロボットが無修正のままそのまま使えることを意味しない。特に手首などの局所的な動作では、人間のデータとロボットの身体との間に明らかな差異が存在する。第二に、十分に完全ではない。研究チームが収集したのはテニスの基本動作であって、完全な試合行動のセットではない。データはロボットにどう移動し、どうスイングするかを教えることはできるが、異なる来球に直面したときにどんな戦略を選ぶべきかを直接教えることはできない。従来の考え方は、こうした欠点を容易に問題と見なしがちだ：データが正確でなければさらに収集し、データが不完全ならもっと多く収集すればよい。しかしLATENTの考え方は少し横に一歩踏み出した。彼らはこれらのデータを「完璧な人間テニス運動マニュアル」に修復しようとしたのではなく、それを一種の事前知識（プライア）として扱った。ロボットは特定の人间の選手の複製になる必要はなく、まず知る必要があるのは、テニスのような高速運動において、人間がおおよそどのように身体を使っているのかということだ。この違いは重要である。なぜなら強化学習にとって、ゼロからすべての可能な身体動作を探索する代償は非常に高く、29自由度のヒューマノイドロボットには「スイングする」と「スイングしない」という2つの選択肢しかないわけではない。すべての瞬間において、脚、腰、胴体、肩、腕の状態を変えうる。完全にゼロから始めれば、どんな身体運動が合理的とされるかさえ知らない。人間の動作データは、たとえいくつかの断片であっても、まず大まかな境界を描いて与えることができる。これはまるで人が初めてテニスラケットを手にするときのようだ。完全なプロのトレーニングコースを与える必要はなく、「人間はおおよそこう立つ、こう動く、こう振る」ことを知っていれば、その後こそ絶え間ない試行錯誤の中で自分のプレースタイルを見つけることが可能になる。LATENTがやっていることは、おおよそロボットにまずこのような「身体の直感」を獲得させることだと理解できる。02
ロボットに必要なのは一種の「身体言語」である
研究チームは、収集した人間の動作を単純に関節ごとにロボットに押し込んだわけではない。本当の難所はまさにここにある：人間の動作はロボットの動作ではない。人がスイングするとき、脳は「左膝を何度曲げるか、右股関節を何度回すか、胴体を何度傾けるか」を明示的に計算しない。これらの動作が最終的に形成するのは一種の身体協調である。もしロボットが毎回29個の自由度をどう動かすかを直接決めなければならないとすれば、学習空間は非常に膨大になり、強化学習の過程で不自然で不安定な動作が生じやすくなる。LATENT 方法フレームワーク図 そこでLATENTはまずモーショントラッカーを訓練し、ロボットが人間の動作に含まれる身体運動パターンを学べるようにした。その後、研究チームはこのモーショントラッカーをさらに圧縮し、連続的な latent action space、いわゆる潜在動作空間にした。より直感的な比喩を使えば、それは一冊の「動作辞典」のようなものである。ロボットは毎回29個の関節をどう協調させるかをゼロから計算する必要はなく、まずこの辞典からすでに学習済みの身体運動を選び、それを目の前のボールに応じて調整すればよい。この動作空間にはもう一つ非常に重要な特徴がある：それはロボットを人間の動作に固定しない。人間のデモンストレーションは動作の事前知識を提供するだけであり、実際にテニスボールに向き合うとき、ロボットは自ら学ぶ必要がある。だからこそ論文は「人間の模倣」を最終目標とはしていない。ある人間の選手がスイングするとき手首に特定の動作があり、その動作がG1にとって信頼できないものだと仮定すれば、ロボットはその動作に固執する必要はない。研究チームはさらに右の手首に対して特別な処理を行った：モーショントラッキング段階でその信頼性を下げ、ロボットがこの誤差を含む局所動作に過度に依存できないようにし、高層ポリシーが実際に打球する際にそれを修正させる。この設計は、意図的にロボットにあまり丈夫でないネジを一本残すのに似ている。もしあるシステムがこのネジが完全に正確なときにしか動作できないなら、現実のわずかな誤差でも動作全体が無効になりうる。逆に、ロボットが最初から脚、股関節、胴体、肩など身体の各部分が共同で動作を完成することに頼ることを強いられていれば、手首に偏差が生じたときでも、依然として身体全体を調整してボールを打ち返す機会がある。これもLATENTの非常に興味深い点である：人間のデータはロボットが最終的に追求する答えではなく、むしろロボットが身体運動を学ぶ際の一種の起点に近い。続いて、研究チームは強化学習において非常に典型的な問題に向き合うことになる。ロボットがすでに一連の「動作辞典」を持ち、強化学習がリターン成功率を上げるために、辞典内のまったく異なる動作の間を勝手に飛び移り始めるとしたら？答えは「その可能性がある」だ。そこで研究チームは Latent Action Barrier、すなわち LAB を提案した。これは高層ポリシーが生成する動作を制約し、ポリシーが元の動作分布から容易に逸脱しないようにする。 Latent Action Barrier ここでの“Barrier”はロボットを固定するのではなく、探索のときに境界線を引くものである。論文は動作の逸脱度を測るのに、単純なユークリッド距離ではなく Mahalanobis distance を使用した。理由もよく分かる：異なる動作次元の尺度と変化範囲は同じではなく、すべての方向の変化を同じ「逸脱」として扱うことはできない。実験もこの制約の価値を証明した。フォアハンドストロークのタスクにおいて、完全な LATENT ポリシーの成功率は96.52%に達した；LABを除くと、成功率は93.12%に低下した。しかしより顕著な変化は動作の質に現れた：動作の平滑性指標は25.61から37.64に上昇し、関節トルクも7.40から12.53に上昇した。つまり、LABが本当に改善したのは「ボールを打ち返せるかどうか」だけでなく、ロボットがタスクを遂行する際に、突発的で激しく機械的な動作を減らせるかどうかである。これは人間が運動するときの違いに非常によく似ている。人はたまにボールを打ち返せることもあるが、もし毎回の打球が身体を激しく振り、急に止まり、絶えず修正することに頼るなら、そのような動作は持続しにくい。本当に有用な運動能力とは、一度成功することではなく、成功を安定した身体の習慣に変えられることである。03
ロボットも「きれいな世界」だけで学んでいてはいけない
ここまでで、ロボットには動作があり、戦略も備わった。しかし、さらに大きな問題が残っている。それは、シミュレーション世界と現実世界は同じではないということだ。シミュレータ内では、研究者はボールの質量、弾性、空気抵抗を知っており、ロボットの身体の質量や摩擦パラメータもわかっている。ボールがどこから飛んできて、速度はどれくらいかも、正確に制御できる。現実では、テニスボールのバウンドは常に同じではなく、ラケットの重心にはわずかな誤差があるかもしれず、地面の摩擦も変化する。ロボットの関節、アクチュエータ、センサにも同様に誤差が存在する。まして、現実のシステムには遅延、ノイズ、そして時折失われる観測値もある。もしロボットが「完璧なシミュレーション世界」だけでボールを打つことを学んだなら、現実に来た途端、それまで学んだ動作はすぐに通用しなくなるかもしれない。LATENTが取った方法は、シミュレーション世界をできる限り完璧に作ることではなく、むしろその逆だった。不確実性を意図的にシミュレーション世界に押し込んだのだ。研究チームは、ロボットの身体の質量、重心、足の摩擦、関節摩擦、アクチュエータの慣性などのパラメータをランダム化し、テニスボールの質量、反発係数、空気抵抗などの力学パラメータもランダム化した。Figure 2(c+d)：Dynamics Randomization + Observation Noiseと同時に、観測ノイズ、フレーム落ち、遅延などの要素も加えた。つまり、ロボットはシミュレーション訓練時に固定されたテニスボールの世界ではなく、「ありうる現実世界」の全体に直面する。ボールが重いときもあれば軽いときもある。摩擦が大きいときもあれば小さいときもある。センサが見るデータが少し遅れるときもあれば、フレームが丸ごと欠落するときもある。ロボットが強いられて学ぶのは、「たとえ世界がどの状況なのかわからなくても、できる限りボールを打ち返すべきだ」ということである。これもまた、ロボット学習と従来のプログラム制御の間の非常に興味深い違いである。プログラムは機械に「ボール速度はA、摩擦はB、遅延はC、ならば動作Dを実行せよ」と指示できる。しかし、現実の世界はA、B、Cといった揃った条件を与えてくれることはほとんどない。だからLATENTは不確実性を消し去ろうとするのではなく、訓練段階からロボットを不確実性に慣れさせたのである。論文中のアブレーション実験はこれをよく示している。テニスボールの力学ランダム化を取り除くと、現実世界のフォアハンドの成功率は明らかに16.67%まで低下した。観測ノイズを取り除くと、バックハンドの実験では2つのうち0%にまで落ち込んだ。この2つの結果がまさに示しているのは、次のことである。ロボットが現実で失敗する原因は、時に動作を学んでいなかったことではなく、学んだ世界があまりにもきれいすぎたことにあるのだ。これもまた、sim-to-realの最も核心的な難しさの一つである。シミュレータをますます現実に近づけることはもちろん重要だが、もう一つの道筋は、ロボットを「現実は決してシミュレータと完全に同じにはならない」ことに慣れさせることだ。LATENTは後者を選んだ。この考え方は最終的に、実際のUnitree G1に持ち込まれた。ただしここで特別に説明しておく必要がある。これは、1台のロボットが普通のテニスコートに立って、自分のカメラだけで全実験を完結したものではない。現在の実機検証は依然としてモーションキャプチャシステムに依存している。研究チームはモーションキャプチャカメラを使ってロボットとボールの運動情報を取得しており、現実の実験では大規模なモーションキャプチャ環境を使用した。公式プロジェクト資料によれば、実験では50台以上のモーションキャプチャカメラが使用され、モーションキャプチャエリアは19メートル×15メートルに達した。これは前述のデータ収集と興味深い対照をなしている。アマチュア選手5名の人体動作を収集したとき、研究チームが必要としたのは3メートル×5メートルの小さなエリアだけだった。だが、ロボットに現実世界で安定してボールを打たせるためには、一式そろった複雑なモーションキャプチャ基盤設備が必要だったのだ。つまり、「データが完璧でない」ことは、実験システム全体が簡単だという意味ではない。むしろ逆で、研究チームは問題の一部を「どう完璧なデータを収集するか」から「どうロボットに不完全なデータから安定した能力を学ばせるか」へと移したのだが、実機検証そのものは依然として高価で複雑なエンジニアリングシステムである。論文もまた、モーションキャプチャシステムへの依存を現在の研究の限界として明示し、今後のさらなるアクティブビジョンの利用を次の方向として挙げている。つまり、今日のLATENTはまだ、実験室の条件から脱した「自律テニスロボット」ではない。だが、少なくとも一つのことを証明した。不完全なデータは、ロボットが動的な運動能力を獲得する出発点になりうるということだ。04
本当にボールを打ち返した
最後に直感的に人を納得させるのは、やはりボールである。シミュレーション実験では、研究チームは大規模なテストを行い、さまざまな来球条件について評価した。LATENTのフォアハンドの返球成功率は96.52%に達し、平均着地点誤差は1.32メートルだった。対照として、AMP、ASE、PULSEなどの手法のフォアハンド成功率はそれぞれ41.32%、63.47%、71.85%で、対応する平均着地点誤差も明らかに大きかった。これらの数字が示すのは、LATENTが単にロボットに「スイングの動作をさせる」ものではないということだ。ロボットはすでに、身体動作、来球条件、タスク目標を結びつけることができている。異なる位置、異なる速度の来球に対して、ロボットは自分の身体を移動させ、適切な位置で打撃を完了し、その後できる限りボールを目標エリアに送り返す必要がある。そして現実世界でも、この結果は成立した。論文は20連続の人間とロボットのラリー実験を行った。フォアハンド条件下では、論文が報告する返球成功率は90.90%、バックハンドは77.78%。前衛と後衛の条件下ではそれぞれ88.89%と81.82%だった。ここには非常に重要な限定がある。これらの数字は「ロボットの実際のテニス試合の勝率」ではない。現実の実験における成功基準は、ロボットがボールを相手コート内に返せるかどうかであり、実験規模も20連続ラリーにすぎない。したがって、90.90%のより正確な理解は、論文が設定した現実実験条件の下で、ロボットがかなり安定してフォアハンドの返球を完了できる、ということである。それが証明しているのは一種の能力であって、プロの競技水準ではない。実際、LATENTが現在解決しているタスクも比較的明確なものである。ロボットは来球を目標位置に打ち返す必要があり、本物のテニス選手のように完全なシングルスやダブルスの試合を行うのではない。本物のテニスの試合には、さらに複雑な問題が大量に含まれる。いつストレートを打つべきで、いつクロスを打つべきか。相手はどこに立っているか。この一球の後、どうポジションに戻るべきか。相手が着地点を連続して変えた場合、ロボットはどう戦術を調整するのか。ボールが予想されたエリアに落ちなかった場合、次の一球をどうすべきか。これらの問題はもはや「どうスイングするか」だけのものではない。それらはロボットに、絶えず変化する対抗的な環境を理解することを求める。論文中のrobot-robot self-playが補足を与えている。シミュレーション環境では、このポリシーを使う2台のロボットが自己対戦でき、最長で連続25ラリーを完了できた。だがここでも境界線を引いておく必要がある。25ラリーはシミュレーションのロボット対ロボットの実験から来たもので、現実世界の人間対ロボットの試合ではない。したがって、LATENTをより長いロボット発展史の中に置くならば、それが今完了したのは、実は「ロボットにテニスの試合を覚えさせた」ことではなく、過去に解決が難しかった問題を一歩前へ進めたことである。すなわち、ロボットは限られた人間の動作の断片から、転移可能な身体能力を学べるのか、そして高速で、動的で、誤差に満ちた環境でそれを本当に使いこなせるのか。現時点での答えは肯定的だ。少なくとも論文が設定したタスクの中では、すでにそれができている。そしてこのことが注目に値するのは、まさにテニスそのものが理由ではない。05
テニスはただの入り口にすぎない
長い間、ロボットの運動能力のデモンストレーションは、比較的確定した環境で行われることが多かった。歩行、把持、搬送、ドア開け、それぞれのタスクには明確な目標があり、物体の位置は通常突然変化しない。しかしスポーツはそうではない。ボールは飛び、目標は動き、接触時間は短く、動作は連続的に完了する必要がある。ロボットは自分の身体を制御するだけでなく、外部世界の変化に応じて次の一歩を絶えず決め直さなければならない。したがって、スポーツは実のところ、非常に極端なembodied intelligenceの試験場を提供している。サッカーはロボットに走ること、方向転換、キックを求め、他の選手の位置の理解も要求する。バドミントンは高速の来球の下でフットワーク、スイング、着地点制御を完了することを求める。テニスはこれらの問題をさらに、非常に具体的な瞬間に集中させる。ロボットは正しい位置で、正しい身体姿勢で、正しいタイミングで、高速で飛来するボールを打たなければならない。これこそが、今年のIROS 2026で、athletic humanoid roboticsが独立して議論される方向になった理由である。IROS 2026の「Perception and Decision Making for Athletic Humanoid Robotics」workshopは、agile locomotion、sports、dynamic manipulation、real-time planning、embodied AIなどを直接議論テーマとして掲げており、注目しているのはまさに、ロボットが高速で、接触が密集し、予測不可能な環境でどのように知覚、意思決定、全身制御を行うかである。Workshopではさらに、Unitree、Phybot、Booster Roboticsの運動ロボットのデモンストレーションも予定されており、ランニング、バドミントン、サッカーなどのタスクをカバーする。LATENTの価値もまた、まさにここにある。それは、人間の運動データを極めて正確な答案に作り上げようとしたのではない。アマチュア選手5名が残したのはいくつかの動作断片であり、その断片自体にすら誤差がある。だが、これらの不完全なデータはそれでもロボットにいくつかのことを教えた。人がこの世界でどう動くか、どうバランスを保つか、どう自分の身体を振って高速で動く物体を追いかけるか。そしてその後、ロボット自身が前へ進み続けた。ロボットは人間の動作を潜在動作空間に圧縮し、強化学習を使って自分の身体に適した動作の組み合わせを探した。人間の手首の運動を完全には信じなかったので、全身を巻き込んだ補償を学んだ。現実世界のパラメータが常に正確だとは仮定しなかったので、シミュレータ内で意図的にノイズ、遅延、力学の変化を加えた。最後に、これらを本物のロボットの身体に持ち込んだ。ロボットはより大きな問いに答えようとしている。私たちがロボットに完璧な世界の説明書を与えられないとき、ロボットは不完全な情報の中から、自分で身体と世界の理解を築き上げられるのか？これこそが、テニスという実験場が具身体能知能のシナリオにとって興味深いところである。それは、ロボットに、固定された答案のない、そして他の主体によって絶えず変えられる世界の中で行動することを求め、問題を絶えず露呈させ、絶えず最適化し続ける。ボールはロボットを待たない。ボールが来れば、身体は言語に先んじて反応しなければならない。センサには遅延があり、動作には誤差があり、元の軌道はもはやそのまま実行できる指令ではない。だから最後に、本当にコートに立っているのは、人間の動作をコマ送りで複製した機械ではない。その足元にはアマチュア選手5名が残した動作の断片があり、完璧ではない人体データがあり、意図的に露呈された不確実性があり、強化学習が試行錯誤を重ねた末に形成された身体戦略がある。人が提供するのは知識の痕跡であり、ロボットが得たのは知識そのものではない。残りの部分は、ロボット自身の身体が完成させなければならない。皆さんが集まって交流し、会議の情報を共有し合えるよう、雷峰網（公式アカウント：雷峰網）はIROS 2026 参加交流グループを特別に設立しました！グループに参加すると、次の「特典」がアンロックされます。
会議情報ステーション：投稿DDL、フォーマット規定、審査進捗……重要な節目を第一時間でお届け。もうdeadlineを逃す心配はなく、投稿準備も安心です。
同業チャット会：各地の同業研究者がグループに集まっています。心得を語り、アイデアを交わし、人脈を築く。研究の道を私たちと共に。
最新情報補給ステーション：最新の研究成果や注目方向をリアルタイムで共有し、会議テーマに合わせて投稿の筋道を整理し、論文のインスピレーションに燃料を満タンにします。
現場応援団：（会議期間中限定で開放）：会場に着いても慌てる必要はありません——
ルートナビ：館内配置、講堂への行き方は、グループでいつでも質問できます。
セッション共同読解：人気sessionやKeynoteの議論、逃しても後からフォローできます。
Posterまとめ：現場ポスターの精華を整理し、ワンクリックで保存、見逃しなし。
企画広場：食事会、取材、交流会……おしゃべりしたい、協力したい、オフ会したい、グループで立ち上げればOK。
? グループ参加への入り口： QRコードをスキャンしてグループに参加するか、WeChat ID「Luyoyo_2026」を追加してください。備考欄に：ECCV + 所属会社/学校 + 氏名 + 研究分野を記入してください。
研究でも技術でも、情報格差はとても重要です。
さあ、一緒に一歩先を行きましょう！
乗車して、世界のAIトップカンファレンスの精华をすべてご紹介します
独占的にご覧いただけます：
専門家講演のPPT
カンファレンス報告の全文
人気論文の解説
学術の新星インタビュー
上のQRコードをスキャンするか、
「阅读原文（原文を読む）」をクリックして専用ページにアクセスしてください。
雷峰網のオリジナル記事です。許可なく転載することを禁じます。詳細は転載規約。