NVIDIA Research、ロボット基盤モデル「GR00T 2」を紹介　人の動画からロボット動作を学習

何が起きたか

NVIDIA Researchは、GR00T 2について、対象ロボットが経験していない50タスクでゼロショット成功率40%を記録し、タスクごとに5回の実演を加えた場合は、単一のRTX 5090で30分微調整した後に95%となったと紹介した。GR00T 2は将来の映像とロボット動作を同時に予測する基盤モデルで、並行グリッパー、器用な手、人型ロボットでの利用を想定する。

詳細

事前学習データは、人の一人称作業映像402,730時間、ハンドヘルドUMIグリッパーによる2,897タスクの実演10,184時間、ロボットの遠隔操作データ23,500時間で構成する。ロボットデータにはYAM、Franka、SharpaとWujiの手、Unitree G1が含まれる。人の映像データのうち100,000時間はHuman-1M-100KとしてHugging Faceで公開されている。 モデルは拡散トランスフォーマーで将来映像と動作を同時に生成し、ロボットごとの小規模なヘッドが計画をモーター指令に変換する。GR00T 2 TurboはUnitree G1上のJetson Thorで1回の予測に124ミリ秒かかるとされる。NVIDIAの評価では、TurboはSONIC全身制御を通じ、ポップコーンをすくって提供する48試行すべてを完了し、複数の物体があるテーブルの片付けでは試行の93%で成功した。

Key Facts

本紙の見方

GR00T 2の特徴は、ロボットの動作を直接出力するだけでなく、動作によって変わる将来映像も同時に予測する点にある。NVIDIA Researchは拡散トランスフォーマーで映像と動作を生成し、ロボットごとの小規模なヘッドでモーター指令に変換すると説明する。人の作業映像を学習に使い、対象ロボットでのタスク実演がなくても技能を移せるかを試している点が、個別ロボットの操作データだけで学ぶ方式との違いである。 事前学習データでは人の一人称映像が402,730時間と最も大きく、ロボット遠隔操作データは23,500時間、UMIグリッパーの実演は10,184時間だ。この構成は、学習素材の中心を人の映像に置き、ロボット固有の身体・操作データを組み合わせる設計を示す。ただし、映像でのタスク進捗と実機の成功率は別の評価であり、50タスクの40%から95%への向上も、5回の実演と30分の微調整を伴う条件付きの結果である。実機全般で同じ水準が得られることを意味しない。 モデルの適用範囲も単一のロボット形態に限られていない。FrankaやYAMのようなアーム、SharpaやWujiの手、Unitree G1を学習データに含め、DexterやTianjiなど別のロボットでの作業例も示す。さらにGR00T 2 TurboはG1上のJetson Thorで動作し、予測に124ミリ秒を要するとされる。ここでは、共有モデルの学習と、各機体に合わせた指令変換、機上での実行という構造が見える。一方、ロボットごとの調整負担や、異なる手・センサーで性能がどこまで保たれるかは示された成功率だけでは判断できない。 本紙が2026年11月5日に掲載したHugging Face、ロボット学習基盤「LeRobot v0.7.0」を公開　対話操作と大規模データ学習に対応と並べると、ロボット学習を支える基盤には、データや学習機能を扱うソフトウェア基盤と、特定モデルが異なるロボットへ技能を移す仕組みという別の論点がある。ただし、両者の連携や相互利用はこの資料からは確認できない。 次に検証すべきなのは、報告された試行数・成功率が対象タスクや機体を変えた場合にどう変化するか、学習に使った人の映像が実機での失敗や安全性にどう影響するかである。また、100,000時間の公開データが示されている一方、GR00T 2全体の重みや学習データの利用条件、各ロボットへの展開に必要な調整の詳細はこの資料に記載されていない。実演回数の少なさだけで導入コストや汎用性を評価せず、機体別の再現性と運用条件を分けて見る必要がある。

なぜ重要か

NVIDIA Researchの評価では、GR00T 2は対象ロボットでのタスク実演なしでも50タスクの40%に成功し、5回の実演と微調整を加えた条件では95%となった。人の映像から得た技能をロボットへ移す設計が、タスクごとのロボット実演をどこまで減らせるかが、導入側にとっての具体的な検証点となる。