中泰汽车 机器人更新 谷歌Deepmind重磅发布更通用泛化的具身智能模型Gemini Rob

核心观点与关键数据

Google DeepMind于7月30日发布了三个新一代具身智能VLM（视觉语言模型）模型，包括Gemini Robotics 2、Gemini Robotics ER 2和Gemini Robotics On-Device 2。

模型介绍

1. Gemini Robotics 2

   • 最先进的VLM，能控制完整人形机器人（从脚掌到指尖）及其他双臂机器人，并在双手和夹爪末端执行器上实现新层级的灵巧操作。
   • 首次解锁全身控制能力，可完成“把洒水壶放进最下层货架的绿色箱子里”等复杂任务，是迈向真实任务的重要一步。
   • 在不同末端执行器（如Apollo 2机器人上的SharpaWave手）上实现精细化操作（如打结、封袋），目标达人类水平灵巧度。

2. Gemini Robotics ER 2

   • 能力最强的具身推理（ER）模型，作为机器人高层大脑，处理用户指令、与人沟通、理解物理世界并规划长达数分钟的多步任务（涉及数百个决策）。
   • 改进进度理解能力，能精确定位任务开始、结束及关键事件时刻。
   • 实现多机器人协作，让不同类型机器人沟通协同完成复杂工作流。

3. Gemini Robotics On-Device 2

   • 效率最高的VLM，优化后可在机器人设备本地运行，用数小时数据快速适配全新机器人本体。

解锁技能与突破

• 全身控制：将物理AI从上半身桌面任务扩展至全身动作，支持复杂真实任务。
• 精细化操作与跨本体迁移：不同末端执行器实现新层级灵巧度，支持Apollo 2机器人完成精细动作，目标达人类水平。
• 多机器人协作：不同机器人可沟通协同，解决单台机器人无法完成的复杂工作流。

研究结论

• 三款模型显著提升机器人自主性、灵巧度与协作能力，推动具身智能向更复杂真实任务迈进。
• Gemini Robotics ER 2的具身推理能力使机器人能理解任务进度、与人交互，并泛化到全新情境。
• Gemini Robotics On-Device 2的本地化运行能力加速机器人适配与部署。

原文链接：知识星球-安全中心