ApptronikのApollo 2、3つのロボット構成でGemini Robotics 2を稼働
GoogleのGemini Robotics 2は、3つの構成でApollo 2を制御し、報告された巧緻性の結果は32%から92%の範囲でした。
By Ryan Merket · Published
Primary source: Google DeepMind
Why it matters
Google gets real-world robot data and Apptronik gets a frontier model layer, but the disclosed task results show why commercial reliability remains the gating issue.
In a 7月30日の発表, Google DeepMindはGemini Robotics 2を発表し、このモデルをApollo 2の制御に投入した。Apollo 2はApptronikの共同創業者Jeff Cardenas and Nick Paineがテキサス大学の研究を10年かけて産業用ロボットへと転換したヒューマノイドプラットフォームである。
このリリースは、CardenasとPaineにとって、2024年12月にGoogle DeepMindと発表したパートナーシップの実働バージョンを提供するものだ。Google DeepMindとの提携では、Apptronikがボディ、導入現場、物理的トレーニングデータを供給し、Googleが指示の認識、タスク計画、運動制御を意図したモデルを供給する。付随するXのビデオでは、Google DeepMindはApollo 2をモデルのユーザーとして描写しており、両社にとっての重大な試験を遊び心をもって示している。
Carolina Paradaは、Gemini Robotics 2の発表文を書いたGoogleのロボティクス責任者であり、現在ヒューマノイドロボット内で収束しつつある複数の知覚問題にまたがる仕事をしてきた。彼女は以前、Googleで音声の研究を7年間率い、Nvidiaでは自動運転車向けのカメラ知覚を2年間監督していた。Googleのロボティクスグループはロボットの移動性とビジョンに注力してきた。
CardenasとPaineにとって、Gemini Robotics 2は古い商業化の仮説の試験だ。CardenasはUT AustinのIC2 Instituteで研究者が技術を研究室から市場に移す手助けをしていた。PaineはUT Austinで電気・コンピュータ工学の学位を3つ取得し、同大学のSeries Elastic Actuatorを開発し、Valkyrie humanoidのアクチュエータと制御を構築したNASA-Johnson Space Centerチームで働いていた。
彼らは2016年にUT AustinのHuman Centered Robotics LabからApptronikを共同設立した。Apollo 2はその成果を全身運動と巧緻な操作を想定したロボットプラットフォームにまとめたものだ。そのモジュラー設計は二足歩行と車輪構成をサポートし、交換可能なバッテリー、フリートソフトウェア、Apptronikのアクチュエータ技術を備える。Gemini Robotics 2は、固定された一連のプログラム動作に還元できないタスクに対してハードウェアを有用にすることを目的としている。
1つのチェックポイント、複数のロボット本体
Gemini Robotics 2は3つのモデルからなるファミリーだ。主要なvision-language-actionモデルは視覚と言語の入力をモーターコマンドに変換する。Gemini Robotics ER 2は、数分続くタスクにまたがるより高次の推論、コミュニケーション、計画を扱う。Gemini Robotics On-Device 2は、ネットワーク遅延や接続性が問題となる環境向けにローカルで動作する。
Googleは1つのGemini Robotics 2チェックポイントが3つの構成を制御したと述べている：Apollo 2（SharpaWaveハンド装備）、Inspireハンドを装備したApollo 2、そしてRobotiqグリッパーを備えたFranka Duoロボットだ。その可搬性は商業的に重要だ。ハンド、センサーパッケージ、ボディ形状ごとにモデルを再構築しなければならないとすると、幅広いハードウェア市場をサポートするのは困難になる。
GoogleのApolloデモでは、人がロボットに底の棚の緑色のビンにジョウロを入れるように頼む。Apollo 2はテーブルまで歩き、ジョウロを取り、棚まで移動して指定された位置にそれを置く。他のデモではロボットが結び目を作る、ジップトップバッグを封をする、電球を操作するといった様子を示している。
SharpaWaveハンドは5本の指と22自由度を持ち、従来の2指グリッパーよりもはるかに大きなアクション空間をモデルに与える。Googleはまた、on-deviceモデルが新しい両腕ロボットに数時間のデータ、通常は200例未満で適応できると述べている。GoogleはGemini Robotics 2の早期アクセス用ウェイトリストを提供しており、Gemini RoboticsモデルページはGemini Robotics ER 2をGoogle AI Studioにリンクしている。
タスク結果はヒューマノイドが依然失敗する箇所を示す
Google DeepMindの報告された結果はデモの範囲を示している。Inspireハンドを用いた場合、Apollo 2はテーブルから物を拾うタスクで平均成功率68.4%、床からは45.7%、棚からは76.3%を記録した。
SharpaWaveハンドを用いた複数の多指タスクでは性能が低下した。Googleは電球のねじ込み成功率を36%、ゴミ袋の結び目を44%、ちり取りのタスクを32%、ジップトップバッグの封を40%と報告した。電球のねじ外しは92%に達した。
これらは独立した配備準備の評価ではなく、企業が報告したテスト結果だ。また、巧緻性が説得力のあるビデオを作るよりも困難な問題である理由を示している。倉庫や工場の顧客はApollo 2をシフト完了数、介入率、稼働時間、安全性、タスク当たりコストで評価するだろう。袋の封を10回中4回しか成功しないロボットは、それでも監視を必要とするか、より狭い作業定義が必要だ。
Googleは多指の巧緻操作が依然として難しいと述べている。今回のリリースの有用な点は、Googleが強い結果とともに失敗しやすいカテゴリを公表したことだ。32%から92%までの幅は、巧緻性が単一の能力ではないことを示している。接触、グリップ、タスク幾何学の小さな変化が非常に異なる結果を生むことがある。
ApptronikはApolloを中心にデータループを構築している
Apptronikは6月30日にApollo 2と拡張された約90,000平方フィートのRobot Park in Austinを公開した。そこではApollo 2ロボットがテレオペレーションと自律実行を通じて、物流、製造、小売のタスクにわたるデータを収集している。
CardenasはRobot Parkを継続的学習ループとして説明した：ロボットが作業を行い、データを収集し、その経験をGoogle DeepMindとのモデル開発に投入する。ApptronikはMercedes-BenzやGXOを含むパートナーと同様のデータ収集ワークフローを運用していると述べる。Apptronikは製品規模の信頼性を確立するのに十分な運用データを公開していないため、Robot Parkは商業展開のショーケースというよりもトレーニングインフラストラクチャとして理解されるべきだ。
Googleは繰り返し得られる物理的相互作用データへのアクセスを得る。Apptronikは大規模マルチモーダルモデルを訓練するリソースを持つインテリジェンス供給者を手に入れる。その分業により、Apptronikはアクチュエータ、ハンド、安全システム、製造、フリート運用に集中でき、最先端モデルの取り組みを単独で資金調達する必要がなくなる。
投資家はこのアプローチに巨額を投じている。2月、Apptronikは5.2億ドルのSeries A延長を発表し、このラウンドを9.35億ドル超へ、調達総額をApptronikによればほぼ10億ドルに引き上げた。参加者にはGoogle、B Capital、Mercedes-Benz、PEAK6、AT&T Ventures、John Deere、Qatar Investment Authorityが含まれる。Apptronikは延長の価格が同社の以前のSeries A評価の3倍であったと述べたが、発表では絶対評価額は明言していない。
その資本はApolloをプロトタイプとデータ収集から再現可能な生産へ移すために使われるはずだ。資金調達はまた、ベンチマークのギャップを単なる研究課題として片付けにくくする。Apptronikは商業展開を追求するための施設、戦略的パートナー、バランスシートを持っている。残る試験は信頼性だ。
ハードウェア層とモデル層が分離しつつある
Google-Apptronikのパートナーシップは、ヒューマノイド市場を巡る一つのルートを反映している。Figure AIはロボットハードウェア、モデル、触覚システム、製造にわたる垂直統合スタックを構築している。Skild AIは異なる機械にまたがって動作することを意図した汎用ロボットブレイン層を追求している。Agility RoboticsはDigitロボットで物流作業に重点を置いてきた。
Cardenas と Paine はそれらのアプローチの間に Apptronik を位置づけている。Apollo 2 は専有のハードウェアおよび運用プラットフォームであり、その知能は Google DeepMind のモデルを利用できる。Apptronik はロボットのハードウェア、安全システム、フリート運用の責任を負い続ける。Its Artemis system and Fleet Connect software cover perception, planning, controls, safety, task execution and management of deployed robots.
結果として単一のモデルにより制御されるロボットではなく、階層化されたアーキテクチャが生まれている。Gemini Robotics は目標を解釈して行動を生成できる一方で、Apptronik のシステムは物理的な機体とその運用上の制約を扱う。その分離により、ロボットを再設計することなく知能を更新しやすくなるはずだ。だが同時に、制御されたデモの外で二つの複雑な技術スタックがどれだけうまく連携できるかに依存することにもなる。
Apollo 2 は製品であると同時に試験場でもある。Cardenas と Paine は機体、訓練施設、顧客との関係を構築した。Parada のチームは、その機体を部屋の向こう側まで歩行させ、複数種類のハンドで物体を操作できるモデルファミリーを提供している。開示された結果は有意な進展を示しているが、幅広い能力を持つヒューマノイドと、すべてのシフトを信頼して最後まで任せられる機械との間にある隔たりも示している。