Google Gemini Roboticsモデルが、よりスマートなロボットを実現しています

何十年もの間、ロボットは未来の象徴として、研究室やSF映画、業界のプロトタイプ展示会に登場してきました。近年の人工知能（AI）の進歩により、こうしたプロトタイプは管理された環境を越え、現実世界のアプリケーションへと進出しています。

具体的には、Gemini Roboticsによって、Googleはよりスマートなロボットの構築に必要な技術の実現に一歩近づいています。2025年3月12日に発表されたGemini Roboticsモデルと、その関連モデルであるGemini Robotics-ER（身体性推論）は、Google DeepMindの最新のイノベーションです。

これらはGemini 2.0を基盤としています。Gemini 2.0は、テキスト、画像、音声、動画など、さまざまな種類のデータを処理・生成できるマルチモーダル大規模言語モデル（LLM）であり、より多様で自然なインタラクションを可能にします。これらのモデルは、Gemini 2.0のマルチモーダル機能を物理世界にもたらし、より器用で、対話性と知能に優れたロボットを実現します。

たとえば、固定された指示に従う従来のロボットとは異なり、Gemini Roboticsモデルを搭載したロボットは視覚情報と言語を処理できます。これにより、リアルタイムで判断し、変化する環境に適応できるようになります。

この記事では、Gemini RoboticsとGemini Robotics-ER、それらのモデルの仕組み、主な機能と用途について解説します。

図1. Gemini Roboticsは、ロボットが複数のタスクを効率的に実行できるよう支援します。

Google Gemini Roboticsの紹介#

GoogleのGemini Roboticsは、ロボットが物理世界を認識し、推論し、インタラクションできるように設計された高度なAIモデルです。視覚・言語・行動（VLA）モデルとして、ロボットは指示を処理し、周囲の環境を解釈し、複雑なタスクを高い精度で実行できます。

一方、Gemini Robotics-ERモデルは、物体の配置や動き、相互作用の仕方といった空間的な関係をロボットが理解する能力を高めます。これにより、ロボットは動作を予測し、それに応じて動きを調整できます。

たとえば、ロボットがヘッドホンにワイヤーを巻き付けるタスクを考えてみましょう。Gemini Robotics-ERは、シーンを理解し、ワイヤーの形状や柔軟性を認識し、ヘッドホンの構造を特定して、ワイヤーを動かしたときにどのように曲がるかを予測します。次にGemini Roboticsがこの理解を動作に変換し、両手の動きを調整してワイヤーを滑らかに操作し、絡まないように把持を調整しながら、しっかりと巻き付けます。

Gemini RoboticsとGemini Robotics-ERは、認識と動作を組み合わせることで、変化する環境においてロボットが器用なタスクを効率的に実行できる知的システムを構築します。

図2. Gemini Roboticsモデルファミリーの概要。

ロボティクスにおけるAI: Gemini Roboticsの仕組み#

次に、Gemini RoboticsとGemini Robotics-ERが柔軟性と迅速な動作をどのように両立させているかを理解するため、各モデルを詳しく見ていきましょう。

一方、Gemini Robotics-ERは、ゼロショットコード生成と少数ショットの文脈内学習（ICL）という2つの主要な仕組みを活用します。ゼロショットコード生成では、追加のトレーニングを必要とせず、タスクの指示、画像、リアルタイムデータに基づいてロボットを制御するコードをモデルが生成できます。

同様に、少数ショット学習では、モデルはわずかな例から学習して新しいタスクに適応するため、大規模なトレーニングの必要性を減らせます。これらの手法を組み合わせることで、ロボットは複雑なタスクをすばやく実行し、最小限の労力で新たな課題に適応できます。

一方、Gemini Roboticsは速度と効率を重視して設計されています。クラウドベースのバックボーンとオンボードのアクションデコーダーで構成されるハイブリッドシステムを採用しています。クラウドベースのバックボーンは情報をすばやく処理し、クエリから応答までのレイテンシーは160ミリ秒未満です。

次に、オンボードデコーダーがこのデータをリアルタイムの動作に変換します。この組み合わせにより、応答時間は全体で約250ミリ秒、制御速度は毎秒50アクションを実現します。

図3. Gemini Roboticsがロボットのリアルタイム制御をどのように支援するか。

Gemini Roboticsの主な機能#

Gemini Roboticsの主な機能を簡単にご紹介します。

• 汎用性: 精度を保ちながら、照明や背景、物体の変化に適応できます。また、言い換えられた指示や多言語の指示を理解し、さまざまな条件に合わせて動きを調整できます。
• 対話性: このモデルは幅広い自然言語の指示を処理し、直感的に応答できます。また、環境のリアルタイムな変化に応じて動作を調整するため、人間とロボットの協働に適しています。
• 器用さ: このモデルを搭載したロボットは、折り紙を折ったり、壊れやすい物体を扱ったりするなど、複雑で精密なタスクを実行できます。段階的な作業にも迅速な動作にも対応し、効率的な実行を支援します。
• 複数のロボット形態への対応: 双腕システムやヒューマノイドロボットなど、さまざまなロボットプラットフォームで、わずかなファインチューニングで動作します。高い性能を維持しながら、新しいタスクにすばやく適応します。

図4。Google Gemini Roboticsは、さまざまなロボットプラットフォームで動作します。

Gemini Robotics-ERの主な機能#

ロボットが世界を理解し、そこでやり取りするのに役立つGemini Robotics-ERの主な機能をご紹介します。

• 物体検出とトラッキング: 2D空間と3D空間の両方で物体を特定し、追跡できます。自然言語によるクエリを使うことで、種類、位置、機能に基づいて物体を見つけ、その位置を予測するのに役立ちます。
• 指示点の特定: この機能により、モデルは正確な座標を使って画像内の特定の物体や部分を指し示せます。ロボットが物体全体やその一部、さらには何もない空間の位置を特定するのに役立ちます。
• 把持予測: Gemini Robotics-ERは、形状や機能に基づいて物体を最適に把持する方法を判断できます。バナナやカップの取っ手など、どこをつかむべきか予測し、ロボットが物品を丁寧に扱えるようにします。
• 軌道推論: 動作の系列を予測して移動経路を計画できます。たとえば、ロボットの手を道具に向かって導いたり、特定のタスクのウェイポイントを設定したりして、ロボットが効率的にタスクを完了できるよう支援します。
• マルチビュー対応: さまざまな角度から見た物体の見え方を比較することで、モデルが3D構造を理解しやすくなります。空間推論を強化し、変化する環境でロボットが物体とより適切にやり取りできるようにします。

図5. Gemini Robotics-ERは、さまざまなタスクに対応できます。

クラス名を使った2D物体検出では、Gemini 4 Argonなどの新しいGeminiモデルを、Ultralytics VLM Leaderboardで他の視覚言語モデルと比較しています。

Google Gemini Roboticsモデルの用途#

Gemini RoboticsとGemini Robotics-ERの主な機能について説明しましたので、さまざまな業界における実世界での用途を見ていきましょう。

製造業におけるGoogle Gemini Roboticsの活用#

製造業では、精度と速度が重要ですが、作業を円滑に進めるうえで特に重要なのは適応性です。たとえば、Geminiを搭載した産業用ロボットは、適切な部品を特定して正しく配置し、柔軟なゴムバンドに適切な力を加えて扱うことで、プーリーシステムを組み立てられます。

ゴムバンドを伸ばしてプーリーに巻き付け、破損や位置ずれを起こさずに固定できます。セットアップやタスクが変わっても、大規模な再プログラミングを必要とせずに適応できます。このスマートオートメーションは、エラーを減らし、効率を高め、製造プロセスを円滑に保ちます。

図6. 双腕産業用ロボットが、プーリーシステムにゴムバンドを正確に取り付けています。

Gemini Roboticsで実現するスマートホーム#

忙しい日々の中で、家事をこなすのは大変です。スマートロボットは、掃除や食料品の仕分け、食事の準備の手伝いなどを担い、日常生活をより快適にします。

たとえば、ロボットがランチバッグに食べ物を詰める際、果物や缶など壊れやすい物を傷つけないように把持を調整しながら、食品を慎重に選んで中に入れます。配置が変わってもロボットは自律的に適応できるため、最小限の監督で日々の家事の負担を軽減します。

図7。ランチバッグに慎重に食べ物を詰めるヒューマノイドロボット。

Gemini Robotics活用のメリットとデメリット#

Gemini Roboticsは、精密な製造からスマートホームでの支援まで、ロボットにできることを広げています。さまざまな用途でGemini Roboticsを活用する主なメリットを紹介します。

• 最小限のトレーニング要件：従来のロボットとは異なり、Gemini Roboticsを活用したロボットは、わずかな実演から学習できるため、トレーニングコストを削減し、導入しやすくなります。
• 安全性の向上: 危険な環境では、Gemini Roboticsを搭載したロボットが危険な作業を実行することで、人間の作業者が負傷するリスクを減らせます。
• カスタマイズ可能な機能: Gemini Roboticsの柔軟性により、さまざまな業界や個々の企業の具体的なニーズに合わせて調整でき、専門的な用途や独自のソリューションに対応できます。

Gemini Roboticsにはいくつものメリットがありますが、以下の制約にも対処することが重要です。

• 空間関係の把握における課題: これらのモデルは、長い動画シーケンスにわたって空間関係を追跡するのが難しい場合があり、その結果、時間の経過に伴う物体の追跡や理解に影響が及びます。
• 数値精度の不足: 点やバウンディングボックスなどのモデルの予測は、繊細なロボット操作のように細かな制御を必要とするタスクには十分な精度でない場合があります。
• 複雑なタスク: Gemini Roboticsは、複数段階の推論や正確な動作を必要とする複雑なタスク、特に新しい状況や不慣れな状況でのタスクに苦戦することがあります。

ロボティクスにおけるAIの未来#

AIの進歩に伴い、Gemini RoboticsやGemini Robotics-ERのようなモデルがロボティクスの未来を切り開いています。今後は、複数段階の推論を強化し、タスクを論理的な手順に分割して精度を高めることに重点が置かれると考えられます。

Google DeepMindが取り組む予定のもう1つの重要な開発分野は、シミュレーションベースのトレーニングです。実世界に導入する前に仮想環境で学習することで、ロボットは判断や動作を磨き、実際の用途におけるエラーを最小限に抑えられます。

これらの技術が進化すれば、ロボットがより自律的で適応力に優れ、日常生活で人間と協働できる未来への道が開かれる可能性があります。

重要なポイント#

Gemini Roboticsは、AIを活用したオートメーションの大きな前進であり、デジタルインテリジェンスと実世界の物理的なタスクを結び付けます。視覚、言語、動作に基づく学習を組み合わせることで、ロボットは複雑なタスクを正確かつ柔軟に処理できます。

ロボットがさらに賢くなるにつれて、日常生活で果たす役割も大きくなり、人間と機械の協働のあり方が変わると考えられます。この進歩により、AIを活用したオートメーションが産業と日常のタスクの両方を強化する、より知的でつながりの深い世界に近づいています。

成長を続けるコミュニティにぜひご参加ください。GitHubリポジトリでAIについてさらに詳しくご覧いただけます。独自のコンピュータービジョンプロジェクトを始める場合は、ライセンスオプションをご確認ください。ソリューションページでは、製造業におけるAIと自動車業界におけるVision AIについて詳しく紹介しています。