Google DeepMindがGemini Robotics-ER 1.6を発表：メーター読み取りや空間推論を大幅強化

ロボットに物体をつかませる技術はすでに珍しくありませんが、配管が張り巡らされた化学工場で計器の微細な針の数値を正確に読み取らせることは、今なお極めて困難な課題です。

Google DeepMind は 4 月 14 日、ロボットの思考を司る高度な具身推論モデルの最新版となる Gemini Robotics-ER 1.6 を発表しました。

このモデルは関節のミリ秒単位の制御ではなく、ロボットの状況把握や計画立案を担う頭脳として機能します。前世代の 1.5 や汎用の Gemini 3.0 Flash を上回る性能を示しており、すでに Gemini API や Google AI Studio を通じて開発者向けに提供が始まっています。

複数カメラの統合とツールの自律呼び出し

今回の進化で基礎となっているのがポインティング機能です。モデルは画像内の特定位置をポイントとして指定し、それを中間ステップとして利用します。

これにより、指定したカップに入る小さな物体の特定や、物体の最適な把持位置の割り出し、移動軌道の計算といった空間推論を高精度に行えます。

また、現代のロボットは頭部と手首など複数のカメラ映像を同時に扱います。新モデルは複数視点の映像ストリームを時間軸に沿って統合し、遮蔽や逆光がある環境でもタスクが成功したかを正確に判定できます。

成功判定ができるため、失敗した際に自律的にやり直すか次の工程へ進むかを判断できます。さらに Google 検索を自律的に呼び出して情報を調べたり、下流のアクションモデルに指示を出したりするツール呼び出しにも対応しました。

ボストン・ダイナミクスと開発した計器読み取り

実用面での大きな目玉が、ボストン・ダイナミクスとの協業で開発された計器読み取り機能です。

工場を巡回する四足歩行ロボット Spot は、圧力計や温度計、液面計といったアナログ計器の確認を任されますが、光の反射や視差の歪みにより誤読が多発していました。

DeepMind はエージェンティック・ビジョンと呼ばれる手法を採用しました。モデルは画像を自ら拡大して細部を確認し、目盛りにポインティングを行ってからコードを実行して比率を計算し、計器の数値を導き出します。Future Tools によると、この読み取り精度は 93% に達しています。

物理的な安全性も強化されました。20 キログラムを超える物体や液体の取り扱いを禁止する制約を空間認識レベルで遵守するほか、実際の労働災害事例を用いた危険検知テストでは、Gemini 3.0 Flash 比でテキストが 6%、動画が 10% 向上しています。

なぜ重要か

私たちは、DeepMind がロボットの制御全体を単一の巨大モデルに丸投げせず、高度な推論とツール実行に特化させたアプローチは極めて現実的だと考えます。

特にプラントやインフラの点検を手掛ける開発者にとって、このモデルは今すぐ試す価値があります。古い施設のアナログ計器をデジタル化するには莫大な改修費用がかかりますが、Spot のようなロボットにこの推論 API を組み合わせれば、現場の設備を変えずに巡回自動化を実現できるからです。

数値を画像から直感的に推測するのではなく、画像を拡大してコード実行で目盛り幅を計算させる仕組みは、生成 AI 特有のハルシネーションを防ぐ賢い設計と言えます。一方で、推論やツール呼び出しがクラウド API を経由する場合、通信環境が不安定な地下施設や遮蔽の多いプラント現場でレスポンスの遅延が運用上の障壁になる懸念は残ります。