グーグル、現場の状況を見て自ら考え動くロボット向け頭脳を企業に提供開始

米Googleは、ロボットの高度な判断を担うAIモデル「Gemini Robotics Embodied Reasoning 2（ER 2）」を、自社のクラウド基盤「Google Cloud」のGeminiプラットフォーム上で一般プレビューとして提供開始した。Google DeepMindが開発した同モデルを企業の運用環境に導入できるようにしたもので、固定アームから人型ロボット、四足歩行ロボットに至るまで、物理的な世界で活動する多様なロボットへの適用を想定している。

Gemini Robotics ER 2は、空間と時間の動画理解や長期的な行動計画の策定を支援する機能を備える。物理空間での作業では、次の工程に進む前に直前の動作が実際に成功したかをロボット自身が把握する必要がある。同モデルはカメラの連続映像から作業の進行状況を分類し、途中で失敗が生じても作業全体を最初からやり直すことなく、リアルタイムに動作を自己修正できる。

性能面では、液体を注ぐのを止める瞬間といった重大な事象が発生した映像フレームを、91.3％の精度かつ0.96秒の平均絶対フレーム誤差で特定可能だという。大型モデルの分類と比較して4倍の実行速度と低い計算コストで動作するとしている。また、計器の目視確認能力も強化されており、円形メーターや目視確認用ガラス管、デジタル表示、定規、液体温度計など10種類以上の計器の数値を映像から直接読み取って解釈できる。

開発者は自然言語の指示をもとに、移動やアーム制御のプログラムをツールとして同モデルに連携させることが可能だ。ロボットに自然言語で作業方針を説明させたり、専門知識のない運用者が日常的な言葉で指示を変更したりできる。さらに、複数の異なるロボット間で作業空間の認識を共有し、役割分担を行わせる協調作業にも対応する。

開発学習だけでなく、現場での継続的な監視や再学習も">ライフサイクル全般を支援する仕組みとして、物理環境に触れる前に挙動を検証する「MuJoCo-Warp」や「NVIDIA Isaac Sim」によるシミュレーション環境に対応する。また、取得したデータを用いた学習モデルの訓練や、工場の生産現場における遅延を抑えるためのエッジ基盤「Google Distributed Cloud」への展開もカバーする。

今回の発表にあわせ、四足歩行ロボット「Spot」を手掛ける米Boston Dynamicsや半導体設計大手の英Arm、シンガポール科学技術研究庁（ASTAR）の材料工学研究所などが協業や導入への期待を表明した。ASTARの材料工学研究所では、通信機能を持たない既存の実験器具の画面を目視で読み取って遠心分離機を操作するなど、人手を介さない自律的な実験室の実現に向けた活用を進めているという。