Gemini Robotics: Integrando IA ao Mundo Físico

Gemini Robotics: Bringing AI into the Physical World

March 25, 2025

Autores: 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

Resumo

Os recentes avanços em modelos multimodais de grande escala levaram ao surgimento de capacidades generalistas notáveis em domínios digitais, mas sua transposição para agentes físicos, como robôs, continua sendo um desafio significativo. Este relatório apresenta uma nova família de modelos de IA projetados especificamente para robótica e construídos sobre a base do Gemini 2.0. Apresentamos o Gemini Robotics, um modelo generalista avançado de Visão-Linguagem-Ação (VLA) capaz de controlar diretamente robôs. O Gemini Robotics executa movimentos suaves e reativos para lidar com uma ampla gama de tarefas complexas de manipulação, além de ser robusto a variações em tipos e posições de objetos, lidar com ambientes não vistos anteriormente e seguir instruções diversas e de vocabulário aberto. Mostramos que, com ajustes adicionais, o Gemini Robotics pode ser especializado em novas capacidades, incluindo a resolução de tarefas de longo prazo e altamente hábeis, o aprendizado de novas tarefas de curto prazo a partir de apenas 100 demonstrações e a adaptação a novas configurações de robôs completamente inéditas. Isso é possível porque o Gemini Robotics é construído sobre o modelo Gemini Robotics-ER, o segundo modelo que introduzimos neste trabalho. O Gemini Robotics-ER (Raciocínio Incorporado) estende as capacidades de raciocínio multimodal do Gemini para o mundo físico, com um entendimento aprimorado de espaço e tempo. Isso permite capacidades relevantes para robótica, incluindo detecção de objetos, apontamento, previsão de trajetória e de agarramento, além de correspondência multiview e previsão de caixas delimitadoras 3D. Mostramos como essa combinação inovadora pode suportar uma variedade de aplicações robóticas. Também discutimos e abordamos considerações importantes de segurança relacionadas a essa nova classe de modelos de base para robótica. A família Gemini Robotics representa um passo substancial em direção ao desenvolvimento de robôs de propósito geral que realizam o potencial da IA no mundo físico.

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.