Gemini Robotics ER 2：動画理解、タスクオーケストレーション、複数ロボット連携でロボティクスを強化

Google DeepMindが、ロボット工学向けの具現化推論モデル「Gemini Robotics ER 2」を発表しました。これはロボットの高層脳として機能し、人間との会話、物理世界の理解、マルチステップタスクの計画、そして低レベルの視覚言語行動（VLA）モデルへのモーター実行の引き渡しを行います。このモデルは、Google検索やユーザー定義関数などのツールをネイティブに呼び出せます。ER 1.6から改善され、連続ビデオフィードを処理して進捗を追跡し、失敗に適応し、タスク完了を判断できます。また、マルチロボットコラボレーションが導入され、多様なロボットが協力して作業できるようになりました。Gemini Robotics ER 2は、進捗分類で57.4%の精度、瞬間検出タスクで91.3%の精度を達成し、サブ秒レイテンシを実現しています。また、安全性ベンチマークで従来モデルを上回り、例えば、人が近くにいるときに人型ロボットを停止させることができます。このモデルは、Gemini API、Google AI Studio、およびGemini Enterprise Agent Platformのプライベートプレビューで公開されています。