Google DeepMind、自律型ロボット基盤モデル Gemini Robotics 2 を発表

何が発表されたのか

Google DeepMindは、ロボットの知能と物理的な制御を一元的に担う次世代モデル「Gemini Robotics 2」を発表しました。本発表は研究開発における重要な節目となる更新であり、実験室内の単一タスクを超えて、現実世界の雑多な環境でロボットを自律動作させることを目指しています。

動画内では、同モデルが「脳」として機能し、ヒューマノイドロボット「Apollo」、多関節ハンド「Sharpa hand」、作業用アーム「Duo arm」などの多様なハードウェアを制御する様子が公開されました。テロップでは「All robots in this video are fully autonomous with Gemini Robotics 2. Real-time footage.（動画内のすべてのロボットはGemini Robotics 2により完全に自律動作しており、リアルタイム映像です）」と明確に示されています。

発表段階としては最先端の研究成果のデモ展示であり、特定の商用プロダクトへの即時組み込みや一般提供（GA）の段階ではありません。しかし、単一のモデルでハードウェアの違いを超えて制御を包括する統合型のロボット基盤モデル（VLA: Vision-Language-Actionモデル）として、極めて高い完成度を示しています。

発表された機能・アップデートの全容

Google DeepMindでプリンシパル・リサーチ・サイエンティスト兼ディレクターを務めるJie Tan氏は、今回のGemini Robotics 2における進化点として主要な3つの柱を挙げています。動画内の実演映像および研究者の解説に基づき、各機能の詳細を解説します。

1. 全身の協調運動を実現する「全身制御（Whole-body control）」

従来のロボット制御では、移動のための足と作業のための腕を個別の制御ロジックで動かす手法が主流でした。これに対してGemini Robotics 2は、ヒューマノイドロボットの全身（Whole-body）を統合してリアルタイム制御します。

Jie Tan氏は「人間は身体を協調させて動かすことに慣れていますが、ロボットにとっては容易ではありません。一見単純に見えるタスクであっても、全身で多数の意思決定を行う必要があります」と説明しています。デモでは、ヒューマノイドロボット「Apollo」が腰を落としてバランスを取りながら物体を持ち上げたり、本棚から本を取り出したり、塵取りを使ってゴミを回収したりする動作をスムーズに遂行しています。全身の関節を同時に調整することで、重心のバランスを崩さずに複雑な作業を継続できます。

2. 22関節を微細に操る「多関節ハンド操作（Dexterous hands）」

2つ目の柱は、精密な手先操作能力の向上です。リサーチ・サイエンティストのMarissa Giustina氏は「人間は手を使う際に22個の独立した関節をどう駆動するか意識しませんが、AIモデルにはそれを求めています」と解説します。

動画では、多関節ハンド「Sharpa hand」が、チャック付きポリ袋に入ったブドウを崩さずに持ち上げたり、微小なスイッチを指先で切り替えたりする様子が確認できます。また、柔らかいぬいぐるみをつかんで箱に収める動作や、ハサミなどの工具を正確に握る操作も実演されました。剛体（固い物体）だけでなく、袋やぬいぐるみといった変形体（Deformable objects）に対しても、適切な力加減と指先の協調によって安定した操作を実現しています。

3. 多機種ロボット間での「自律協調機能（Multi-robot collaboration）」

3つ目の柱は、複数のロボットが同じ目標に向かって協同作業を行うマルチロボット連携機能です。単一の言語命令からタスクを分析し、異なる機体に役割を分散して並行処理します。

デモでは、人間が「Hey, Duo, kit all tools in the bin, close the kit, and put the kit back into the bin.（デュオ、ボックス内のツールをすべてキットに収納し、キットを閉じて、そのキットを箱に戻して）」と話しかけます。この指示を受けると、アーム型ロボット「Duo arm」が工具をケースに詰め、ヒューマノイドロボット「Apollo」が移動して蓋を閉め、完成したケースを元の位置に搬送するという一連の工程を自律的に分担して遂行しました。事前に動作プログラミングを行わずに、提示された命令から自律的に協調動作を生成する点が極めて革新的です。

4. 予期せぬ環境変化に対応する「リアルタイム応答性能」

プリンシパル・ソフトウェア・エンジニアのKanishka Rao氏は「汎用的な知能だけでなく、変化する状況に反応できることこそが知能の本質です」と語っています。

動画内では、作業中にバッグの取っ手が外れかかったり、対象物の位置が不規則にずれたりしても、ロボットが視覚フィードバックに基づいて即座に行動を修正する様子が描写されています。決められた軌道をなぞるのではなく、センサ情報とカメラ映像から刻一刻と変化する周囲の状況を把握し、動的に行動を再計算する能力を備えています。