Gemini Robotics

Google DeepMind · 2025-03

VLA産業界モデル非公開非公開

クラウドバックボーンとオンボードデコーダに分け、観測からaction chunkまで約250ms、実効50Hzで制御する。

論文

バックボーンLLM: Gemini 2.0ベース (サイズ非公開)
ビジョンエンコーダ: 非公開
アクションヘッド: オンボードのローカルアクションデコーダ (非公開)
チャンク: チャンク (長さ非公開)
制御周期: 実効50 Hz
構造の原文要約: Gemini 2.0ベースのVLAバックボーン(Gemini Robotics-ER蒸留版、クラウド) + ロボットオンボードのローカルアクションデコーダ; 出力はaction chunk(チャンク長は非公開)

事前学習アクセラレータ: TPU v4、v5p、v6e(チップ数は非公開)
事前学習期間: 非公開
事前学習ステップ・バッチ: 非公開
GPU・TPU時間: 非公開
ファインチューニング: アクセラレータ・時間は非公開(特化: タスクあたり2,000~5,000 episodes; 高速適応: タスクあたり最大100 demos)
データ種類: 実ロボットのテレオペレーション + Web視覚言語(文書・コード・画像・音声・動画、ER・VQA)
データ規模: ALOHA 2 fleetで12か月収集「thousands of hours」、「thousands of diverse tasks」; 正確な時間・エピソード数は非公開
主要データセット: 独自のALOHA 2テレオペレーションデータ(非公開) + 非行動Webデータ
タスク・評価: 85課題の汎化ベンチマーク(in-distribution 20%、視覚28%、指示28%、行動24%); 特化した長期課題の平均79%(lunch-box 100%); 100 demos以下で8課題中7課題が70%超; bi-arm Franka in-distribution平均63%
ロボット: ALOHA 2(主プラットフォーム); bi-arm Franka、Apptronik Apolloヒューマノイドに適応

推論デバイス・速度: クラウドバックボーンの問い合わせ-応答160ms未満 + オンボードデコーダ; 観測→action chunkのend-to-end約250ms; 実効制御50Hz; オンボードコンピュータの仕様は非公開
推論メモリ: 非公開
重み bf16(計算): 非公開
実行場所: クラウド + オンボード

主な特徴: クラウドバックボーンとオンボードデコーダに分け、観測からaction chunkまで約250ms、実効50Hzで制御する。タスクあたり2,000~5,000 episodesで折り紙・弁当詰めのような長期精密タスクに特化できる。
備考: モデルカード(App. A)のHardware行 'TPU v4, v5p and v6e.'、Software行 'JAX, ML Pathways'; モデルカードはGemini RoboticsとGemini Robotics-ERを共に扱う(ノートの非公開†を修正)。ブログ基準のtrusted tester: Agile Robots, Agility Robotics, Boston Dynamics, Enchanted Tools。arXiv v1 2025-03-25。
検証: 修正反映