Gemini Robotics 1.5系列模型：机器人自主性的新突破
谷歌DeepMind在2025年9月26日推出了Gemini Robotics 1.5系列机器人模型，这一系列模型通过思维链机制和模型协作，显著提升了机器人的自主性。这一突破性进展使得机器人能够更好地感知、计划、思考、使用工具和行动，从而解决复杂的多步骤任务。
一、Gemini Robotics 1.5和Gemini Robotics-ER 1.5：机器人的“小脑”和“大脑”
1. Gemini Robotics 1.5：机器人的“小脑”
- 功能：作为视觉-语言-动作（VLA）模型，Gemini Robotics 1.5能够将视觉信息和文本指令转化为机器人的控制命令。
- 特点：在采取行动前会思考，并展示思考过程，还能在不同的机器人本体上进行学习，提升学习效率。
- 角色：主要充当机器人的“小脑”，负责执行具体的动作。
2. Gemini Robotics-ER 1.5：机器人的“大脑”
- 功能：作为视觉语言模型（VLM），Gemini Robotics-ER 1.5能够对物理世界进行推理，并创建详细的多步骤计划来完成任务。
- 特点：具备调用数字工具的能力，能以自然语言与用户进行交互，对任务是否成功和任务进展进行评判。
- 角色：像机器人的“大脑”，负责高层次的任务规划与决策。
二、训练数据与技术细节
1. 训练数据
- 多模态数据集：训练数据集由图像、文本和机器人传感器与动作数据组成。
- 多本体数据：涵盖了数千个多样化任务，从抓取与操控到双臂协作，再到人形机器人执行日常复杂任务。
- 公开数据集：包括来自互联网的公开文本、图像和视频数据集，以提升模型的泛化能力。
2. 技术细节
- 动作迁移机制：Gemini Robotics 1.5通过动作迁移机制实现跨本体的技能迁移，能够在不同机器人平台上直接执行任务。
- 具身思考能力：在执行动作前，Gemini Robotics 1.5会生成一条自然语言形式的“思考轨迹”，将复杂任务拆解为更细致的步骤。
- 具身推理能力：Gemini Robotics-ER 1.5具备复杂的任务规划、空间推理和任务进度估计能力，确保任务的稳定执行。
三、应用场景与安全性
1. 应用场景
- 复杂任务执行：例如查询当地垃圾分类要求，并将桌面上的物品放到正确的垃圾桶中。
- 人机交互：通过自然语言理解用户的指令，提高机器人的易用性。
- 自主性提升：使机器人能够推理、适应和响应开放式环境中的变化。
2. 安全性
- 安全判断机制：谷歌DeepMind开发了新型的安全和对齐方法，包括顶层的安全判断机制和底层的安全子系统。
- ASIMOV基准测试：发布了机器人安全基准测试ASIMOV的升级版，用于评估和改进语义安全性。
四、行业影响与未来展望
1. 行业影响
- 跨本体化共识：Gemini Robotics 1.5系列模型通过多本体数据和动作迁移机制，扩展了机器人模型的通用性，成为行业的共识与新赛道。
- 技术开放：开发者可以通过Google AI Studio中的Gemini API使用Gemini Robotics-ER 1.5模型，推动行业创新。
2. 未来展望
- 更广泛的适用性：随着技术的不断进步，Gemini Robotics 1.5系列模型有望在更多领域得到应用，如家庭服务、医疗护理和工业制造等。
- 更高的自主性：未来的研究将进一步提升机器人的自主性和适应能力，使其在复杂环境中表现出更高的智能水平。
总之，Gemini Robotics 1.5系列模型的推出标志着机器人技术的重大突破，为实现更智能、更自主的机器人奠定了坚实的基础。
