本文へスキップ

GO-1

視覚と言語の入力をロボットの動作へつなぐ

公式サイトを見る

GO-1 とは

本モデルは AgiBot の汎用エンボディド基盤モデルと紹介され、ViLLA アーキテクチャとマルチモーダル大規模モデル・混合エキスパートにより、視覚と言語の入力をロボットの動作に変えると説明されている。

できること

  • 潜在動作トークンを予測し入力と動作の隔たりを埋める
  • 極めて少ないデータやゼロショットで新しい作業に汎化する
  • 人間の動画から学び人間の行動の理解を深める
  • 複数のロボット形態へ移行しデータのフィードバックで性能を高める

活用場面

  • 商業の場でサービスロボットが清掃や搬送を行う
  • 産業分野でロボットの作業の流れを最適化する
  • 家庭で水を注ぐ、テーブルを片付けるといった家事を行う

導入の手順

  • 公式サイトまたは連絡用のメールでモデルと文書を入手する
  • 作業に合うロボット本体を選んで適応させる
  • AgiBot World データセットまたは自前のデータで微調整する
  • ハードウェアとソフトウェアの互換性を確かめロボットに組み込む

長所と短所

✓ 良い点

  • 人間の動画と実機のデータの双方を学習に使える
  • 異なるロボット本体の間で移行し適応できる

! 注意したい点

  • 動作の実行は ViLLA アーキテクチャと潜在動作トークンに依存
  • 適応の微調整は AgiBot World データセットまたは自前のデータから始まる

よくある質問

ViLLA とは何?

資料は Vision-Language-Latent-Action の構成とし、潜在動作トークンの予測で入力と動作の隔たりを埋めると説明。

新しい作業にはどう適応する?

資料は少ないデータでの汎化を挙げ、ゼロショットにも触れる。

最終評価日: 2026-11-15

その他 AIチャットボット ツール

すべて見る →

評価方法