Robot Foundation Modelの意味

Robot Foundation Modelは、画像、言語、ロボットの状態、操作軌跡、動画、シミュレーションなどのデータを学習し、特定の一つの作業やロボットだけでなく、複数の身体・環境・タスクへ適応することを目指すモデルです。NVIDIAはProject GR00Tをヒューマノイド向けの汎用基盤モデルとして発表し、自然言語の理解や人間の動作を観察した技能学習を掲げています。Google DeepMindも異なるロボット形状へ適応するモデルや、全身動作の研究を進めています。ロボット基盤モデルは、LLMやVision-Language Modelをそのままロボットへ接続したものとは限らず、行動表現、制御周期、センサー、身体の違いを扱うデータや機構が必要です。Foundationという名称だけで、未知のロボットを即座に制御できることや安全な自律性を意味しません。実機の成功率、遅延、転移範囲、再学習量、停止機構、ライセンスを確認します。

Robot Foundation Modelは、複数のロボット・環境・タスクへ転用することを目指すモデルを指しますが、対応する身体や動作の範囲はモデルごとに異なります。

現在は視覚・言語・行動を統合するモデルや、大規模なロボットデータで事前学習する研究で使われます。実機の対応範囲と制御接続を確認します。