Gemini Robotics 2.5 trie des pièces lors d’un essai dans deux usines Mercedes-Benz
L’équipe de DeepMind rapporte 96 % de réussite sur un tri de pièces précis. Le benchmark ouvert ASIMOV-Jailbreak répond à une autre question.
Google DeepMind a présenté Gemini Robotics 2.5 le 10 novembre. Sa publication de Google DeepMind décrit un essai mené avec le robot humanoïde Apollo 2 d’Apptronik dans deux usines Mercedes-Benz. Le robot a trié des pièces métalliques dans des plateaux ordonnés. L’équipe rapporte 96 % de réussite sur cette tâche précise dans les conditions de l’essai.
Les démonstrations ont eu lieu à Kecskemét en Hongrie et à Sindelfingen en Allemagne sur des lignes actives. La tâche impose de repérer les pièces et de les saisir puis de les déposer dans l’emplacement demandé. La preuve de concept montre ce fonctionnement dans ces deux environnements. Google présente l’accès comme un déploiement auprès de partenaires.
Deux modèles se répartissent le raisonnement et le geste
Gemini Robotics 2.5 est un modèle qui associe la vision et les consignes à des actions physiques. Il utilise les informations des caméras pour commander des mouvements du robot. Gemini Robotics-ER intervient au niveau du raisonnement spatial et de la préparation des étapes. Cette séparation aide à comprendre ce que Google évalue lorsque l’ensemble doit mener une action jusqu’au bout.
Dans le cas des pièces métalliques le système peut tenir compte de l’orientation d’une pièce. Le mouvement doit ensuite rester compatible avec la pince et l’espace disponible. Dans sa présentation Google décrit un entraînement avec des démonstrations réelles et des variations simulées produites à partir d’images de caméra. Il mobilise notamment Gemini Argon pour produire ces variations. C’est une utilisation différente de le déploiement de Gemini 4 Argon via l’API.
Des résultats rapportés sur des tâches délimitées
DeepMind indique avoir mené des évaluations en laboratoire sur plus de 200 tâches. Selon l’équipe le taux de réussite progresse de 30 à 100 % en valeur relative selon la tâche et l’exécution est de 20 à 30 % plus rapide face à ses références précédentes. Ces comparaisons portent sur les systèmes de référence choisis par le fabricant. Elles ne comparent pas la productivité du robot à celle d’un opérateur.
Un second test vise les instructions dangereuses
Le jeu de données ASIMOV-Jailbreak est disponible séparément. Il propose des scénarios et des formulations qui cherchent à amener un système de robotique à effectuer une action dangereuse. Le principe est de vérifier la réponse du modèle à un ordre donné dans un contexte. C’est une mesure différente de la réussite d’un mouvement dans l’usine.
L’analyse d’Ars Technica distingue la démonstration dans les usines et l’ouverture de ce test. Une bonne réponse dans une évaluation de consignes ne renseigne pas à elle seule sur la force d’un bras ou son arrêt en cas de problème. Les dispositifs matériels de sécurité et les conditions de mise en service relèvent de contrôles séparés.
Le chiffre de 96 % situe la démonstration sur une opération précise. Les annonces ne documentent ni une cadence quotidienne durable ni le comportement sur l’ensemble d’un atelier. Le résultat reste celui d’un essai sur deux sites. Le jeu de données ouvert donne quant à lui un moyen d’examiner un autre risque avant que les commandes atteignent la partie qui pilote le mouvement.