Google、ロボット用AI「Gemini Robotics ER 2」を公開 ビデオ理解とマルチロボット協調を実現

発表の概要

Google DeepMindは、ロボット向けの新しいAIモデル「Gemini Robotics ER 2」を発表しました。これはロボットの「高レベルな頭脳」として、リアルタイムの空間推論や多段階のタスク計画を可能にします。ロボットのモーター制御は既存のVLAモデルなどが担い、ER 2は全体的な判断を担当します。

開発者はGemini API、Google AI Studio、Gemini Enterprise Agent Platformからこのモデルにアクセスでき、物理AIエージェントの構築を始められます。すでにコード例がGitHubで公開されており、導入ハードルを下げる工夫がなされています。

ビデオ理解と進捗追跡

ER 2の最大の進化は、連続ビデオを分析して作業の進捗を把握できる点です。評価では、ビデオの各フレームを0〜100%の5段階に分類する「進捗分類」で57.4%の精度を達成しました。また、「モーメント探索」では、コーヒーを注ぐのを止めるタイミングなど重要な瞬間を特定する際に91.3%の精度と0.96秒の誤差を記録しています。

この能力により、ロボットはタスクの途中で失敗しても最初からやり直すことなく、自己修正しながら作業を続けられます。さらに、ツール呼び出し機能を使えばGoogle検索など外部の情報も取得でき、状況に応じて柔軟に行動できます。

複数ロボットの協調作業

単一のロボットがすべてのタスクに適しているわけではなく、車輪型ローバーは屋内、人型ロボットは不整地に強いといった特性があります。ER 2は、異なるロボット同士が共有の意味理解を介して通信し、タスクを引き継ぎながら複雑な作業を完遂する「マルチロボット協調」を実現します。

具体例として、ApptronikのApollo 2とFranka F3 Duoが協調するデモが示されています。また、Boston DynamicsのSpotと組み合わせて、自然言語の指示で物を取りに行くデモも公開されました。

安全性と性能の両立

ER 2は安全性にも重点を置いており、Safety Instruction Following（安全指示追従）とHuman Proximity（人の近接検知）のベンチマークで先行モデルを上回りました。人が近くにいる場合はロボットを停止し、人が離れるまで作業を再開しないといった動作が可能です。

また、ER 1.6と比較して、実機のVLAモデルを使った場合でも一貫して高い性能を示しました。ER 2はより大きなモデルと同等の精度を、より低い計算コストと4倍の実行速度で達成しており、実時間での物理ロボット制御に必要な性能を備えています。

開発者への開放と今後の課題

ER 2は現在、Gemini APIなどで一般公開されており、開発者は低レベル制御のインターフェースをツールとして宣言し、ビデオや音声などのマルチモーダルデータを直接モデルに入力できます。この設計により、ロボットは作業の進行中に次の行動を並行して思考できます。

一方で、実際の物理環境で安全に運用するには、さらに安全性の検証や法規制への対応が求められます。Googleは今後、より複雑なタスクへの対応を進めるとしていますが、実用化への道のりはまだ長いと見られます。