Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型
Google DeepMind 发布 Gemini Robotics 2.5,称其为目前能力最强的视觉-语言-动作(VLA)模型,在200项任务上相比此前基线成功率提升30%至100%,完成任务速度快20%至30%。
推荐理由:原文给出200项任务评测、Mercedes-Benz产线96%成功率与安全指标,可判断VLA模型在真实场景的进展。
On Agentic Manipulation Policies
Chen Chen · Omid Bagherieh · Naveen Nikamanth Appiah Balaji · Jesse T. Gonzalez · Negin Heravi · Fahad Islam · et al.
近期机器人操作研究聚焦于基于示范训练的专业策略。研究表明,通用 AI 模型能比视觉-语言-动作模型(VLA)和世界-动作模型(WAM)等专业策略更可靠地控制机械臂。系统分析智能体式操作策略(AMP):由通用 AI 模型直接向机械臂下达指令,并随任务推进自适应调整动作。提出 AMP1 参考框架,无需修改即可运行于单臂、双臂和移动操作场景。AMP1 在 RoboLab-120 和 CaP-Gym 基准上取得最优结果,无需示范或任务特定训练。在 RoboLab-120 上零样本成功率达 85.6%,而领先的 VLA 和 WAM 策略分别为 49.2% 和 42.9%。在覆盖 12 项任务和 3 个机器人实例的 108 次真实世界试验中,智能体零样本成功 104 次,相比强 VLA 和 WAM 基线将失败率降低 20 倍和 15 倍。基础框架不提供抓取、推动或放置技能,智能体自行发展策略,如搜索隐藏物体、将物体用作工具、校准相机。加入持久记忆存储后,智能体可从经验中学习:在 RoboDojo 双臂操作任务上,携带跨回合记忆表示的增强框架相比零样本部署将失败率降低 4.6 倍。分析表明 AMP 比专业操作策略更具通用性和鲁棒性,为机器人操作提供了有前景的基础。
尚无解读。
arXiv:2611.09892v1 Announce Type: cross Abstract: Recent work on robot manipulation has focused on specialist policies trained on demonstrations. We show that generalist AI models can control manipulators more reliably than specialist policies such as vision-language-action models (VLAs) and world-action models (WAMs). We systematically analyze agentic manipulation policies (AMPs), in which a generalist AI model commands the manipulator directly, adapting its actions as the task unfolds. We present AMP1, a reference harness that runs unchanged across single-arm, bimanual, and mobile manipulation. AMP1 achieves state-of-the-art results on the RoboLab-120 and CaP-Gym benchmarks, with no demonstrations or task-specific training. On RoboLab-120, AMP1 reaches an 85.6\% success rate zero-shot, compared to 49.2\% and 42.9\% for leading VLA and WAM policies. The agent succeeds zero-shot in 104 of 108 real-world trials spanning twelve tasks and three robot instances, reducing failure rates by 20x and 15x relative to strong VLA and WAM baselines. The basic harness supplies no grasping, pushing, or placing skills; the agent develops its own strategies, such as searching for hidden objects, using objects as tools, and calibrating its cameras. With the addition of a persistent memory store, the agent can also learn from experience: an augmented harness with a memory representation that is carried across episodes lowers the failure rate on RoboDojo bimanual manipulation tasks by 4.6x relative to zero-shot deployment. Our analysis suggests that AMPs are substantially more general and robust than specialist manipulation policies, providing a promising foundation for robot manipulation.
Google DeepMind 发布 Gemini Robotics 2.5,称其为目前能力最强的视觉-语言-动作(VLA)模型,在200项任务上相比此前基线成功率提升30%至100%,完成任务速度快20%至30%。
推荐理由:原文给出200项任务评测、Mercedes-Benz产线96%成功率与安全指标,可判断VLA模型在真实场景的进展。
NVIDIA 在 CoRL 上发布基于 Cosmos 构建的开放世界动作模型 GR00T 2,训练数据包含 10 万小时开源人类第一视角数据,在 50 项任务中仅用单次演示即达到 71% 平均成功率,五次演示提升至 95%。
推荐理由:NVIDIA 在 CoRL 集中放出 GR00T 2、Isaac Lab 3.0 与多个基准,读者可据此了解机器人仿真训练工具链的最新形态。
Google 发布 Genie 4,这是一个由 Gemini 驱动的智能体,可在虚拟 3D 世界中与用户一起游玩、推理和学习。它不止执行基础指令,还能在交互环境中思考、理解并采取行动,用户可通过文本、语音或图像与它交流。
推荐理由:原文交代了 Genie 4 在虚拟 3D 环境中的交互方式,读者可据此判断它与只执行指令的智能体有何差别。
Google DeepMind 发布 Gemini Robotics ER 2,这是其最强大的具身推理模型。该模型可调用 Google Search 等工具,支持多步骤任务自纠错,并将执行交接给低层 VLA 模型。
推荐理由:原文给出了视频理解、任务编排和多机器人协作的具体性能数据,读者可以据此了解具身智能的最新能力边界和可用入口。
Dream Labs 发布 Dream-1 World Action Model,并面向全球开放公共 API,可零样本控制未见过的双臂平行夹爪机器人,无需针对目标机器人微调或提供示范数据。Dream-1 运行时价格为 $3/hour,Dream-1-flash 为 $2/hour;官方也披露了不同机器人上的性能差异,并通过 FaaS 支持基于少量自有数据的适配。
推荐理由:文章同时给出跨机器人零样本控制、公开 API、成本与失败边界,便于评估通用机器人模型的落地条件。
Google DeepMind 发布 Gemini Robotics 2,推出了三个模型:高级 VLA 模型可控制完整人形机器人从脚到指尖的运动,实现灵巧操作如系扣子;ER 2 推理模型可处理多步骤任务并协调多机器人协作;On-Device 2 模型可在几小时内适应全新机器人形态。
推荐理由:原文给出了三个模型的具体能力描述和可用入口,读者可以据此判断 Gemini Robotics 2 与前代及竞品的具体差异。