Gemini Robotics ER 2发布：视频理解与多机器人协作新突破

Google DeepMind 发布 Gemini Robotics ER 2，这是其最强大的“具身推理”模型，旨在提升机器人的视频理解、任务编排和多机器人协作能力。作为机器人的高级大脑，它能理解人类语言、感知物理世界、规划多步骤任务，并将执行指令下发给低层视觉-语言-动作（VLA）模型。该模型还能原生调用 Google 搜索等工具，且在设计上可一边执行动作一边“思考”下一步。

与上一代 Gemini Robotics ER 1.6 相比，Gemini Robotics ER 2 通过持续分析视频流，让机器人能实时追踪任务进度、在出错时自适应调整，并准确把握进入下一步的时机。同时，新引入的多机器人协作功能使不同机器人在共享空间中协同工作，完成单个机器人无法独立完成的复杂流程。

Gemini Robotics ER 2 现已通过 Gemini API、Google AI Studio 和 Gemini Enterprise Agent Platform（私人预览）向开发者公开。官方还提供了示例代码帮助快速上手。

两个机器人：Duo和Apollo

提升物理智能体能力

物理世界的任务往往复杂且多步。Gemini Robotics ER 2 作为物理智能体，可协调各步骤，让机器人能自我纠正并泛化到新场景。开发者可声明低层控制接口（如 VLA 模型或导航 API）作为工具，并将多模态视频、音频或文本流式输入模型。

在工具编排方面，Gemini Robotics ER 2 在三种控制模式（真实 VLA、模拟 VLA、人类远程操作）下均优于 ER 1.6。该模型集成了 Gemini Live API，利用双向流式端点优化低延迟任务，实现流畅编排，避免“停顿思考”式的等待。

为了演示效果，Google DeepMind 与 Boston Dynamics 合作，使用 Gemini Robotics ER 2 编排 Spot 机器人的 API（包括导航和机械臂移动），打造了一个能根据自然语言指令取物的交互式机器人。相关代码已发布在 GitHub 上。

解锁时间智能，确保任务完成

机器人最难的挑战之一是如何判断任务何时完成。Gemini Robotics ER 2 在视频理解和进度追踪上取得重大进步，能验证复杂任务（如拧紧灯泡、扎好垃圾袋）是否按规范完成，再切换到下一步。

具体体现在两个基础能力上：

连续进度分类：将视频帧按完成进度分为五个等级（0‑20%、20‑40% 等）。在分类任务中，Gemini Robotics ER 2 达到 57.4% 的准确率，超越前代模型及其他前沿模型。
精确时刻查找：定位关键事件发生的精确帧（如停止倒咖啡的瞬间）。该模型在此任务上达到 91.3% 的准确率和 0.96 秒的平均绝对时间差，计算成本仅为此前大型模型的一小部分，执行速度提升 4 倍，满足物理机器人所需的亚秒级延迟。

多机器人协作

没有一种机器人能胜任所有任务——轮式机器人擅长室内，人形机器人则适合复杂地形。Gemini Robotics 2 让不同种类的机器人通过共享语义理解进行沟通和任务交接。例如，Apptronik 的 Apollo 2 与 Franka F3 Duo 在该模型支持下协同工作，具体演示见这里。

提升通用空间智能

Gemini Robotics ER 2 在核心空间推理能力上有所提升，在三个基准测试中表现优异：

成功/失败检测：基于原始视频流而非静态快照，捕捉执行中的失误（如液体泼溅、滑动、错位）。
通用仪表读数：从圆形表盘、液位计扩展到数字显示屏、线性刻度尺、温度计等 10 种以上仪表。
增强空间 VQA：借助 Gemini 多模态理解的进步，提升视觉问答能力。

在所有核心能力上，Gemini Robotics ER 2 均取得最高准确率，包括成功检测（图像/视频）、问答（ERQA）和通用仪表读数。

推进具身智能安全

Gemini Robotics ER 2 是最安全的模型，在安全指令遵循和人类接近检测基准上取得显著提升。测试表明，当人类靠近时，它能成功使人形机器人暂停，并在区域无人后自动恢复工作。为了推动物理智能体的安全研究，Google DeepMind 还引入了一个新基准，评估基础模型作为安全 VLA 编排器的能力，涵盖安全约束执行、环境监控、物理可行性评估和向人类寻求澄清。详情见安全技术报告。

展望未来，Google DeepMind 计划将这些模型推向更复杂的任务，加速实用机器人的开发，并支持整个机器人社区。

原文链接：Google DeepMind
本文由前途科技编辑整理