Google DeepMind、全身協調制御を実現するフィジカルAIモデル「Gemini Robotics 2」を発表

何が発表されたのか

Google DeepMindは、人型ロボット（ヒューマノイド）をはじめとする物理ロボットの全身運動を高度に制御する新世代のAI基盤「Gemini Robotics 2」を発表しました。前世代の「Gemini Robotics」では、主にテーブルの上に置かれた物体を操作するような、上半身およびマニピュレータを中心としたタスクの制御が主体でした。これに対し、今回のGemini Robotics 2は「全身協調制御（Intelligent Whole-Body Control）」へと対応範囲を拡大させています。

動画内で示された研究ディレクター兼プリンシパル・リサーチ・サイエンティストのJie Tan氏の解説によると、本モデルは研究段階のデモンストレーションとして公開されたものであり、実際の人間社会のような乱雑で狭い環境（Cluttered Environments）における実作業の自動化を目指しています。等倍速かつ完全自律（Autonomous 1x）で稼働する映像を通じて、物理世界とAIモデルが高度に融合した「フィジカルAI」の領域における大きな前進を実証しています。

発表された機能・アップデートの全容

Embodied Reasoning ModelとVLAモデルによる二層構造制御

Gemini Robotics 2の核となるのは、高度な文脈理解と高頻度の物理制御を切り分けた二層構造のAIシステムです。上位層には「Embodied Reasoning Model（身体性推論モデル）」が配置されています。このモデルがカメラ映像などの視覚情報、人間からの自然言語命令、さらにカレンダーなどの外部デジタルデータを統合して状況を認識し、適切な高レベルのプランニングを行ないます。

計画が策定された後、下位層に位置する「VLA（Vision-Language-Action）モデル」が呼び出されます。VLAモデルは、視覚入力と指示に基づいて、ロボットの足先から指先までの関節アクチュエータに対して微小な制御指令を生成します。これにより、周囲の環境や物体の位置関係を理解しながら、スムーズな連続動作を実行できるようになります。

カレンダー連携と自然言語による複雑タスクの自動分解

動画内のデモでは、研究者が「今日、子供たちがスポーツをするので準備を手伝ってほしい」と口頭で雑な指示を出す場面が描かれています。ロボット「Apollo」は、この発言を受けると自律的にカレンダーの予定を参照しました。画面上には「14:00 Jessie pickleball match」「16:00 Jeremy baseball game」という2つのスケジュールが表示されます。

ロボットは、Jessieにはピックルボールのパドルとボール、Jeremyには野球のグローブとボールが必要であると自律的に推論しました。そして、棚の前に移動し、混雑した整理ケースの中から該当する道具を正確に選択し、トートバッグへ順番に収納していく一連のタスクを人為的な指示介入なしで完遂しました。

瞬時の姿勢崩れを復元するリアルタイム全身バランス補正

二足歩行ロボットが前傾姿勢で棚の奥にある物体へ手を伸ばす際、重心が偏って前方へ倒れそうになる物理的な課題が存在します。Gemini Robotics 2では、体幹が前に傾いた瞬間に、脚部のアクチュエータを瞬時に後方へ押し戻すといった全身補正動作を1秒の何分の一（fraction of a second）という極めて短い時間枠で計算・実行します。

従来の手作業によるプログラム制御では、予期せぬ重心変化に対応することが難しく転倒の原因となっていました。本モデルでは、指先の細かな操作と脚部によるバランス保持を単一のニューラルネットワーク上で協調させることで、不確定要素の多い動作中であっても安定した立位姿勢を維持し続けます。

視覚フィードバックによる失敗検知と自律的なリカバリー動作

ロボットが透明なケースから穴のあいたプラスチック製ボール（ピックルボール）を摘み上げようとする際、指先が滑ってボールを落としてしまう不具合が発生しました。Gemini Robotics 2は、視覚フィードバックを通じて「目標の捕捉に失敗した」という事実を即座に認識しました。

システムはエラーを検知すると、処理を中断することなく即座に手を元の位置に戻し、角度を微調整してボールを再度掴み直す補正動作を自動的に実行しました。失敗時の処理を個別にプログラミングすることなく、閉ループ制御（Closed-loop control）によって自律的な試行錯誤と目標達成を実現しています。

高所・低所へのアクセスを可能にする動的な屈み・持ち上げ動作

デモの後半では、研究者が「左側の床に置かれたトートバッグを探し、拾い上げてテーブルの上に置いてほしい」という追加タスクを提示しました。ロボットは視覚センサで床面をスキャンしてバッグを発見すると、膝を深く折り曲げてしゃがみ込み、両腕でバッグの持ち手を掴んで立ち上がりました。

重さのあるバッグを持ち上げる際には、腕の筋力だけでなく背中や脚の運動を連動させて重心を維持し、そのまま指定されたテーブルまで歩行してバッグを安定して配置しました。このような高さの変化を伴う大がかりな運動も、すべてモデルの推論結果として自然に出力されています。