Google DeepMind、Gemini Robotics 2を発表 ヒューマノイドの全身制御に対応

Gemini Robotics 2は3つのモデルで構成される。Gemini Robotics 2は視覚と言語の入力をモーター制御に変換するVLAで、ヒューマノイド全体や双腕ロボットを制御でき、手とグリッパーの両方で器用な操作が可能になった。Gemini Robotics ER 2は身体性推論モデルで、人間とのやり取り、物理世界の理解、数分に及ぶ複数ステップのタスク計画を担う。Gemini Robotics On-Device 2はロボット上でローカル実行できる効率重視のVLAである。

デモでは、Apptronik製のApollo 2が「じょうろを下段の棚の緑のビンに入れて」という指示を受け、歩いてじょうろを取り、棚まで移動して置いた。移動速度には改善の余地があるとされている。Apollo 2の5本指・22自由度のSharpaWaveハンドで、紐を結ぶ、ジップロックを閉じるといった細かい作業も行った。Franka Duoの2本指グリッパーでは、詰め込み作業などをこなした。

ER 2は部屋を観察して必要な手順を推論し、VLAと連携して進捗を追い、失敗した手順は自己修正する。数分に及び数百の判断を含む長いタスクをより確実に実行でき、タスクの開始と終了や重要な出来事の瞬間も特定できる。異なる種類のロボット同士が通信して協力する、複数ロボット協調も導入された。

On-Device 2は、Gemini Robotics 1.5のモーショントランスファー技術を引き継ぐ。新しい双腕ロボットへは通常200未満の事例、数時間の適応で対応でき、Dexmate、SO101、Trossenなど形状やセンサーが大きく異なる機体でも動作が示された。

安全面では、VLAによる危険なツール呼び出しの拒否や、人間への介入要請を測るベンチマークASIMOV-Agenticを新たに導入した。ER 2は安全制約の遵守と人間の近接に関するベンチマークで同社最高の安全性とされ、人が近づきすぎるとロボットを安全に停止させる。ER 2はGoogle AI StudioとGemini Enterprise Agent Platformのプライベートプレビューで利用できる。