Google представила Gemini Robotics ER 2: пространственное мышление и координация для робототехники

Google анонсировала выпуск Gemini Robotics ER 2 — новой модели «воплощенного рассуждения» (embodied reasoning), разработанной специально для управления робототехникой. Эта система берет на себя роль высокоуровневого мозга, который позволяет роботам понимать физический мир, планировать многоэтапные задачи и взаимодействовать с людьми.

Долгое время главной проблемой робототехники оставался разрыв между восприятием и действием. Роботам не хватало скорости мышления, чтобы синхронизировать свои решения с динамикой реального мира. Предыдущие системы часто требовали остановок для анализа ситуации, что делало их движения неестественными и медленными.

Gemini Robotics ER 2 решает эту проблему за счет непрерывного анализа видеопотока. Модель позволяет роботу «думать» о следующем шаге одновременно с выполнением текущего действия. Высокоуровневые команды передаются на исполнение базовым моделям «зрение-язык-действие» (vision-language-action, VLA), при этом система может обращаться к внешним инструментам, таким как Google Search или пользовательские функции.

Ключевым нововведением стало понимание времени и стадий выполнения задачи. Разработчики выделили две базовые функции. Первая — классификация прогресса. Модель анализирует видео и оценивает стадию выполнения задачи (от 0 до 100%), достигая точности 57.4%. Это дает роботу ситуационную осведомленность, позволяя исправлять ошибки на лету, не начиная весь процесс заново.

Вторая функция — точное определение момента (moment-finding). Это способность модели понять, в каком именно кадре произошло критическое событие (например, когда нужно перестать наливать кофе). Здесь Gemini Robotics ER 2 показывает точность 91.3% со средним отклонением менее секунды. Такая скорость критически важна для безопасной работы физических агентов.