記事のサマリー（TL;DR）
- Gemini Robotics ER 2 はロボット向け「具現化推論」モデルの最新版で、Gemini API・Google AI Studio 経由で開発者に一般公開
- モーメント検出精度 91.3%・進捗分類精度 57.4% を達成し、より大規模な競合モデルに匹敵しつつ実行速度は 4 倍
- Boston Dynamics Spot・Apptronik Apollo 2・Franka F3 Duo との協調デモを公開し、マルチロボット連携を初めて実装
製造・物流 SaaS と自動化基盤を検討する国内企業が注目すべき点
Gemini Robotics ER 2 は、高水準の推論を担う「脳」として VLA（Vision-Language-Action）モデルや外部 API を道具として呼び出す設計です。開発者は低レベル制御インターフェースをツールとして宣言し、マルチモーダル映像・音声・テキストをモデルにストリーミングするだけで物理エージェントを構築できます。
日本では製造ラインの多品種少量生産対応や物流倉庫の省人化ニーズが高く、ロボット単体で完結しない複雑なワークフローへの対処が課題です。Gemini Robotics ER 2 が提供するマルチロボット協調機能と進捗追跡機能は、こうした工程管理の文脈で直接活用できます。また Google Search をはじめとするユーザー定義関数をネイティブにツール呼び出しできる点は、kintone や Salesforce などの業務 SaaS とロボット制御を連携させる構成の実現可能性を高めます。Gemini Live API との統合によるサブ秒レイテンシーも、リアルタイム制御が必須な現場環境への適用を後押しします。
詳細
Gemini Robotics ER 2 とは
Gemini Robotics ER 2（2026年7月30日発表）は、Google DeepMind が提供するロボット向け「具現化推論（Embodied Reasoning）」モデルの最新版です。ロボットにとっての高水準の「脳」として機能し、人間との会話、物理世界の理解、多段階タスクの計画を担います。実際の動作実行は任意の下位レベルの VLA モデルに委譲する設計で、Google Search をはじめとするツールのネイティブ呼び出しにも対応します。
前世代の Gemini Robotics ER 1.6 と比較した主な改善点は以下の3点です。
- 継続的な動画フィード処理：静止画ではなく連続映像を解析することで、ロボットが自身の進捗を追跡し、問題発生時に適応し、次の工程へのタイミングを自律判断できます。
- マルチロボット協調：共有空間で複数のロボットが連携し、単体では完遂できない複雑なワークフローを実行できます。
- 安全性の強化：Safety Instruction Following および Human Proximity ベンチマークで ER 1.6 を上回り、人間が近づいた際に自律的に動作を停止・再開します。
Gemini Robotics ER 2 は現在、Gemini API・Google AI Studio で開発者向けに一般公開されており、Gemini Enterprise Agent Platform ではプライベートプレビューも開始しています。
物理エージェント能力の向上
現実世界のほとんどのタスクは複雑で多段階を要します。Gemini Robotics ER 2 は物理エージェントとして機能し、ロボットの手順をオーケストレーションしながら自己修正と未知状況への汎化を実現します。
開発者はアジェンティックなセットアップを構築する際、VLA モデルやナビゲーション API などの低レベル制御インターフェースをツールとして宣言し、マルチモーダルの映像・音声・テキストをモデルに直接ストリーミングできます。
ツールオーケストレーションのワークフローは、実ロボット制御・シミュレーション制御・人間によるテレオペレーションの3つのコントロールモードすべてにおいて、ER 2 が ER 1.6 を安定的に上回ることが検証されています。
Gemini Robotics ER 2 は Gemini Live API と統合され、レイテンシー最適化された双方向ストリーミングエンドポイントを使用します。これにより「止まって考える」ようなポーズなしで、アクションモデルとロボット API を滑らかに指令できます。
デモとして、Boston Dynamics の Spot を用いた実装例が公開されています。Gemini Robotics ER 2 が Spot のナビゲーション API やマニピュレーター制御 API をオーケストレーションし、自然言語コマンドでスナックを取ってくるロボットを実現しています。コードは GitHub で公開済みです。
タスク進捗の時間的知性：進捗分類とモーメント検出
ロボティクスにおける最難関の課題のひとつが「タスクの完了判定」です。電球の締め付けやゴミ袋の結び方など、複雑な動作が仕様通りに完了したかどうかを判断する能力は、次のタスクへの移行を安全に行うために不可欠です。
Gemini Robotics ER 2 はこの領域で2つの基盤能力を強化しています。
継続的進捗分類（Continuous Progress Classification）
進捗分類とは、タスク完了に向けた進捗をロボットが追跡する能力を指します。評価では、動画フィードの各フレームを 0〜20%・20〜40%・40〜60%・60〜80%・80〜100% の5段階に分類します。これによりロボットはリアルタイムの状況認識を得て、失敗した工程をワークフロー全体を再起動することなくその場でリトライできます。
Gemini Robotics ER 2 の進捗分類精度は 57.4% で、前世代モデルおよび競合フロンティアモデルを上回っています。
精密モーメント検出（Precision Moment-Finding）
モーメント検出は、重大なイベントが発生した正確な動画フレームを特定する能力です（例：コーヒーカップへの注ぎ止めタイミング）。これによりロボットはタスク間の切り替えを精密に行い、成功を検証し、修正提案を行えます。
Gemini Robotics ER 2 はモーメント検出精度 91.3%・平均絶対距離 0.96秒 を達成しています。より大規模なモデルカテゴリと同等の精度を、計算コストの何分の一かで実現し、実行速度は 4倍。サブ秒レイテンシーは現実のロボット制御に実際に求められる水準です。
マルチロボット協調
車輪式ローバーは屋内に強く、ヒューマノイドロボットは不整地に強いなど、単一のロボットがすべてのタスクに適しているわけではありません。Gemini Robotics ER 2 はマルチロボット協調を実現し、異種の機体が共有セマンティック理解を通じて通信し、タスクを引き継ぎながら複雑なワークフローを完遂します。
Apptronik の Apollo 2（ヒューマノイド）と Franka の F3 Duo（マニピュレーター）が Gemini Robotics ER 2 を通じて協調するデモが公開されています。
空間的知性の全般的な向上
Gemini Robotics ER 2 は以下の3つのベンチマークで空間推論能力の向上を示しています。
- 成功・失敗検出：静止画ではなく生の動画フィードで動作し、実行中のこぼれ・ずれ・ミスアライメントをリアルタイムに検出します。
- 汎用計器読み取り：円形ダイヤルや視液面計にとどまらず、デジタルディスプレイ・リニアスケール・定規・液体温度計など10種類の計器に対応します。
- 空間的 VQA の強化：Gemini のマルチモーダル理解の進歩により、Visual Question Answering（視覚的質問応答）の精度が向上しています。
成功検出（画像・動画）、質問応答（ERQA）、汎用計器読み取りのすべての中核能力において、Gemini Robotics ER 2 は最高精度を達成しています。
安全性の向上
Gemini Robotics ER 2 はこれまでで最も安全なモデルとして、Safety Instruction Following（物理的制約への準拠）と Human Proximity（人間検出時の空間認識）の両ベンチマークで大幅な改善を実現しています。
具体的には、人間が近くにいる場合にヒューマノイドロボットを自律的に停止させ、エリアが安全になった時点で作業を自動再開することが確認されています。
さらに、安全な VLA オーケストレーターとして機能する基盤モデルの能力を評価する新たなベンチマークを導入しています。このベンチマークは、安全制約の実施・環境監視・物理的実現可能性の評価・人間への確認要求の4項目を検証します。詳細は安全技術レポートで公開されています。
Gemini Robotics ER 2 は Safety Instruction Following・Human Proximity の両ベンチマークで ER 1.6 および他のフロンティアモデルを上回っています。