Gemini Robotics : Intégrer l'IA dans le monde physique

Gemini Robotics: Bringing AI into the Physical World

March 25, 2025

Auteurs: Gemini Robotics Team, Saminda Abeyruwan, Joshua Ainslie, Jean-Baptiste Alayrac, Montserrat Gonzalez Arenas, Travis Armstrong, Ashwin Balakrishna, Robert Baruch, Maria Bauza, Michiel Blokzijl, Steven Bohez, Konstantinos Bousmalis, Anthony Brohan, Thomas Buschmann, Arunkumar Byravan, Serkan Cabi, Ken Caluwaerts, Federico Casarini, Oscar Chang, Jose Enrique Chen, Xi Chen, Hao-Tien Lewis Chiang, Krzysztof Choromanski, David D'Ambrosio, Sudeep Dasari, Todor Davchev, Coline Devin, Norman Di Palo, Tianli Ding, Adil Dostmohamed, Danny Driess, Yilun Du, Debidatta Dwibedi, Michael Elabd, Claudio Fantacci, Cody Fong, Erik Frey, Chuyuan Fu, Marissa Giustina, Keerthana Gopalakrishnan, Laura Graesser, Leonard Hasenclever, Nicolas Heess, Brandon Hernaez, Alexander Herzog, R. Alex Hofer, Jan Humplik, Atil Iscen, Mithun George Jacob, Deepali Jain, Ryan Julian, Dmitry Kalashnikov, M. Emre Karagozler, Stefani Karp, Chase Kew, Jerad Kirkland, Sean Kirmani, Yuheng Kuang, Thomas Lampe, Antoine Laurens, Isabel Leal, Alex X. Lee, Tsang-Wei Edward Lee, Jacky Liang, Yixin Lin, Sharath Maddineni, Anirudha Majumdar, Assaf Hurwitz Michaely, Robert Moreno, Michael Neunert, Francesco Nori, Carolina Parada, Emilio Parisotto, Peter Pastor, Acorn Pooley, Kanishka Rao, Krista Reymann, Dorsa Sadigh, Stefano Saliceti, Pannag Sanketi, Pierre Sermanet, Dhruv Shah, Mohit Sharma, Kathryn Shea, Charles Shu, Vikas Sindhwani, Sumeet Singh, Radu Soricut, Jost Tobias Springenberg, Rachel Sterneck, Razvan Surdulescu, Jie Tan, Jonathan Tompson, Vincent Vanhoucke, Jake Varley, Grace Vesom, Giulia Vezzani, Oriol Vinyals, Ayzaan Wahid, Stefan Welker, Paul Wohlhart, Fei Xia, Ted Xiao, Annie Xie, Jinyu Xie, Peng Xu, Sichun Xu, Ying Xu, Zhuo Xu, Yuxiang Yang, Rui Yao, Sergey Yaroshenko, Wenhao Yu, Wentao Yuan, Jingwei Zhang, Tingnan Zhang, Allan Zhou, Yuxiang Zhou

cs.AI

Résumé

Les récentes avancées dans les modèles multimodaux de grande taille ont conduit à l'émergence de capacités généralistes remarquables dans les domaines numériques, mais leur transposition à des agents physiques tels que les robots reste un défi majeur. Ce rapport présente une nouvelle famille de modèles d'IA spécialement conçus pour la robotique et construits sur la base de Gemini 2.0. Nous introduisons Gemini Robotics, un modèle généraliste avancé Vision-Langue-Action (VLA) capable de contrôler directement les robots. Gemini Robotics exécute des mouvements fluides et réactifs pour accomplir une large gamme de tâches de manipulation complexes, tout en étant robuste aux variations de types et de positions d'objets, en gérant des environnements inconnus et en suivant des instructions diverses et en vocabulaire ouvert. Nous montrons qu'avec un ajustement supplémentaire, Gemini Robotics peut être spécialisé pour acquérir de nouvelles capacités, notamment la résolution de tâches à long terme et hautement dextres, l'apprentissage de nouvelles tâches à court terme à partir d'aussi peu que 100 démonstrations, et l'adaptation à des incarnations robotiques complètement nouvelles. Cela est rendu possible car Gemini Robotics s'appuie sur le modèle Gemini Robotics-ER, le second modèle que nous introduisons dans ce travail. Gemini Robotics-ER (Raisonnement Embarqué) étend les capacités de raisonnement multimodal de Gemini au monde physique, avec une compréhension spatiale et temporelle améliorée. Cela permet des capacités pertinentes pour la robotique, notamment la détection d'objets, le pointage, la prédiction de trajectoire et de préhension, ainsi que la correspondance multi-vues et la prédiction de boîtes englobantes 3D. Nous montrons comment cette combinaison novatrice peut soutenir une variété d'applications robotiques. Nous discutons et abordons également des considérations importantes de sécurité liées à cette nouvelle classe de modèles de base pour la robotique. La famille Gemini Robotics marque une étape significative vers le développement de robots à usage général qui réalisent le potentiel de l'IA dans le monde physique.

English

Recent advancements in large multimodal models have led to the emergence of remarkable generalist capabilities in digital domains, yet their translation to physical agents such as robots remains a significant challenge. This report introduces a new family of AI models purposefully designed for robotics and built upon the foundation of Gemini 2.0. We present Gemini Robotics, an advanced Vision-Language-Action (VLA) generalist model capable of directly controlling robots. Gemini Robotics executes smooth and reactive movements to tackle a wide range of complex manipulation tasks while also being robust to variations in object types and positions, handling unseen environments as well as following diverse, open vocabulary instructions. We show that with additional fine-tuning, Gemini Robotics can be specialized to new capabilities including solving long-horizon, highly dexterous tasks, learning new short-horizon tasks from as few as 100 demonstrations and adapting to completely novel robot embodiments. This is made possible because Gemini Robotics builds on top of the Gemini Robotics-ER model, the second model we introduce in this work. Gemini Robotics-ER (Embodied Reasoning) extends Gemini's multimodal reasoning capabilities into the physical world, with enhanced spatial and temporal understanding. This enables capabilities relevant to robotics including object detection, pointing, trajectory and grasp prediction, as well as multi-view correspondence and 3D bounding box predictions. We show how this novel combination can support a variety of robotics applications. We also discuss and address important safety considerations related to this new class of robotics foundation models. The Gemini Robotics family marks a substantial step towards developing general-purpose robots that realizes AI's potential in the physical world.