Googleの「Gemini」に、ロボット向け新モデル 自律的にタスクを分解して動作、“雑な指示”にも対応

[ITmedia]

　米Googleは9月26日（日本時間）、ロボット向けのAIモデル「Gemini Robotics 1.5」と「Gemini Robotics-ER 1.5」を発表した。同社のLLM「Gemini」の技術を活用しており、同社が3月に発表したロボット向けAIモデルの後継モデルに当たる。複雑な手順が必要なタスクに対し、自律的にタスクを分解してロボットを駆動できるという。

　Gemini Robotics 1.5は、視覚・言語情報をもとにロボットを動かす「VLA」（Vision Language Action）モデル。一方、Gemini Robotics-ER 1.5は、視覚・言語情報を統合的に処理する「VLM」（Vision Language Model）となっている。

　ロボットを動かす際は、Gemini Robotics 1.5とGemini Robotics-ER 1.5を組み合わせて利用する。人から指示を受けると、まずGemini Robotics-ER 1.5が、物理的な世界についての推論や、Web検索などのツールを活用し、タスクの計画を策定する。次にGemini Robotics 1.5がこの計画に基づき、タスクを細かいアクションに分解し、段階的に実行する。

Gemini Robotics-ER 1.5とGemini Robotics 1.5の連携イメージ（出典：公式ブログと公式YouTube動画、以下同）

　例えば「洗濯物を色分けして」という指示を受けると、Gemini Robotics 1.5は「まず、『色分け』とは白い服は白いカゴへ、それ以外の色の服は黒いカゴへ入れることだと、タスク全体の目的を理解する。次に、『赤いセーターを拾い上げ、黒いカゴに入れる』といった具体的なステップを考え、さらには『セーターをつかみやすくするために、一度手前に引き寄せる』など、各ステップを実行するための細かな動作レベルまで考える」（Google）

Apptronikの人型ロボット「Apollo」が洗濯物を仕分ける様子（1/3）

人型ロボット「Apollo」が洗濯物を仕分ける様子（2/3）

人型ロボット「Apollo」が洗濯物を仕分ける様子（3/3）

　また、同モデルは、異なるロボットの機体を動かす性能にも優れているという。ロボットアーム「ALOHA 2」で学習した動きを、ロボット企業である米Apptronikの人型ロボット「Apollo」などでも再現できたとしている。

　一方、Gemini Robotics-ER 1.5は、物理的な状況に基づく推論性能が高いといい、Googleが用意したベンチマーク「Embodied Reasoning Question Answering 」では、米OpenAIのAIモデル「GPT-5」などを上回るスコアを獲得したとアピールしている。

ベンチマーク「Embodied Reasoning Question Answering」の結果

　Gemini Robotics-ER 1.5は同日から、Googleが提供する開発者向けプラットフォーム「Google AI Studio」で提供する。Gemini Robotics 1.5は、Googleの一部のパートナー企業向けに提供中。