GR00T N1.5

NVIDIA · 2025-05

VLAヒューマノイドVLA3Bflow matching

VLMを事前・事後学習とも凍結し、flow matchingにFLARE(未来潜在表現の整合)損失(係数0.2)を加えて人間の一人称動画からも学ぶ。

論文

バックボーンLLM: Eagle 2.5 VLM 2.1B (内部LLMは記載なし、凍結)
ビジョンエンコーダ: Eagle 2.5内蔵
アクションヘッド: flow matching DiT (4ステップ) + FLARE (flow matching)
チャンク: 非公開
制御周期: 非公開
構造の原文要約: 凍結Eagle 2.5 VLM(2.1B、グラウンディング調整) + レイヤー正規化を加えたアダプタMLP + DiT行動ヘッド(flow matching、デノイジング4ステップ)

事前学習アクセラレータ: H100 1K枚
事前学習期間: 非公開
事前学習ステップ・バッチ: 250Kステップ · バッチ16,384
GPU・TPU時間: 非公開
ファインチューニング: H100またはL40 1ノード推奨、バッチ最大・20kステップ推奨; LoRAはA6000またはRTX 4090 2枚; G1テレオペレーション1Kエピソードで事後学習(GPU・時間は非公開)
データ種類: 実ロボットのテレオペレーション / シミュレーション・合成
データ規模: 時間非公開; G1事後学習テレオペレーション1Kエピソード
主要データセット: 内部GR-1データ、OpenXE、シミュレーションGR-1(DexMG)、DreamGenニューラル軌跡、AgiBot-Beta
タスク・評価: Language Table 93.2%; Sim GR-1 Language 54.4%; RoboCasa(30デモ) 47.5; 実機GR-1言語指示93.3%(N1 46.6%); Unitree G1 既知物体98.8%・新規84.2%(N1 44.0%); DreamGen 新しい動詞12個 38.3%
ロボット: Fourier GR-1(実機)、Unitree G1(実機)、シミュレーションのクロスエンボディメント

推論デバイス・速度: H100: VLM 23.18 ms + 行動ヘッド 4 × 6.18 = 24.7 ms、全体 47.88 ms; Jetson Thor TensorRT FP16/FP8+FP4: DiT 5.46/3.41 ms、ViT 5.21/4.10 ms、LLM 8.53/5.81 ms
推論メモリ: 非公開
重み bf16(計算): 6 GB
実行場所: 非公開

強化学習: 一部 (RL下位制御器との結合) · VLAは模倣学習。Unitree G1の実行にDecoupled WBC(下半身RL・上半身IK)を使用
ベース制御: 固定 · 歩行指令の言及なし (GR-1・G1のピック・アンド・プレースなど上半身操作)

主な特徴: VLMを事前・事後学習とも凍結し、flow matchingにFLARE(未来潜在表現の整合)損失(係数0.2)を加えて人間の一人称動画からも学ぶ。DreamGenのニューラル軌跡でテレオペレーション外の新しい動作に汎化する。
備考: 発表月は検証で2025-05(NVIDIAプレスリリース 2025-05-18、Computex)に修正; 研究ページは2025-06-11。HFカードはSigLip2・T5・flow matching transformerと記述しており研究ページ(Eagle 2.5)と表記が異なる。プレスリリースの「36時間」開発はデータ生成・開発の所要で学習computeではなく、同じプレスリリースがアーリーアダプターとしてAeiRobotを明記。Nvidia License(非商用)。
検証: 修正反映