Humanoidní roboti Apollo 2 dosáhli 96% úspěšnosti při ověřovacím projektu třídění dílů pro Mercedes-Benz

Google DeepMind představila Gemini Robotics 2.5 10. listopadu 2026 a oznámila 96% úspěšnost při třídění automobilových dílů humanoidními roboty Apollo 2 od Apptronik v rámci ověřovacího projektu na aktivních výrobních linkách Mercedes-Benz.

Gemini Robotics 2.5 je model typu vision-language-action (VLA), který propojuje vizuální a jazykové porozumění s činnostmi robota. DeepMind jej postupně zpřístupňuje svým partnerům v oblasti robotiky. Oficiální stránka modelu popisuje ovládání od stolních robotických ramen až po kompletní humanoidní těla, včetně dynamického udržování rovnováhy při chůzi, dřepu a předklonu, a nabízí možnost zařadit se na čekací listinu pro předběžný přístup.

Apollo 2 zajišťuje kompletaci sad automobilových dílů

Práce probíhaly v továrnách Mercedes-Benz v maďarském Kecskemétu a německém Sindelfingenu. DeepMind, Apptronik a automobilka nasadily Apollo 2 na aktivních výrobních linkách. V rámci ověřovacího projektu humanoidní robot autonomně třídil díly z velkoobjemových zásobníků do přepravek, a to v přesném pořadí požadovaném pro každé vozidlo.

Práci si rozdělily dva modely. Gemini Robotics ER sledoval průběh, zatímco Gemini Robotics 2.5 ovládal ruce a paže humanoidního robota, aby z přepravních zásobníků odebíral kovové automobilové konzoly, ukládal je do kontejnerů pro řazení dílů a opravoval případné mezery. Testovaná konfigurace robota Apollo 2 používala pětiprstou ruku SharpaWave s 22 stupni volnosti. DeepMind představuje převedení této opakující se přípravné práce na roboty jako způsob, jak udržet montážní linky v chodu, zatímco se technici mohou soustředit na složité montážní úkoly.

Spoluzakladatel a generální ředitel společnosti Apptronik Jeff Cardenas uvedl:

„Když jsme Apollo 2 spojili s Gemini Robotics, viděli jsme, že se modely během pouhých několika týdnů dodatečného trénování výrazně zlepšily a do výroby Mercedes-Benz se jejich schopnosti přenesly jen s velmi malým poklesem.“

Pokroky v obratnosti a hodnocení bezpečnosti

Kromě práce v továrně zahrnoval soubor hodnoticích úloh více než 200 různých činností, například servírování jídla kleštěmi, uvazování mašle na dárkové krabici a pipetování tekutiny. Úlohy spojovaly pokročilé používání nástrojů, složitou manipulaci s deformovatelnými předměty a opatrné zacházení s křehkými věcmi. Model dosáhl v závislosti na typu úlohy o 30 % až 100 % vyšší úspěšnosti než dřívější výchozí modely a úkoly dokončil o 20 % až 30 % rychleji, uvádí DeepMind.

Z hlediska fyzické bezpečnosti model při odvozování využívá vedení založené na uvažování, které mu v reálném čase pomáhá vyhýbat se nebezpečím. V hodnoceních DeepMind se úspěšnost bezpečného dokončení úloh zvýšila o 33 % v okolí překážek a o 43 % v blízkosti lidí. Vydání se věnuje také dlouhodobým agentním úlohám, při nichž je třeba zachovat bezpečnost v průběhu několika kroků.

DeepMind rovněž vydala ASIMOV-Jailbreak, otevřený testovací nástroj, jehož zadání maskují nebezpečné požadavky v desítkách scénářů. Gemini 4 Argon dosáhl podle DeepMind 99,5% odolnosti vůči jailbreakovým útokům, zatímco předchozí výchozí model Gemini Robotics ER 2 dosáhl 82 %. Repozitář obsahuje hodnoticí kód a data zveřejněná pod licencí MIT.

Vícekolové adversariální hodnocení V3 obsahuje 845 vzorků z 15 skupin strategií a umožňuje až 10 kroků. Kombinuje deterministickou kontrolu volání nástrojů pro provádění akcí s posuzováním pomocí velkého jazykového modelu. Spárované škodlivé a neškodné úlohy manipulace s předměty na stole umožňují testovacímu systému měřit úspěšnost útoků i nadměrné odmítání neškodných požadavků. Ověřuje se tak, zda model odmítne nebezpečné pokyny, aniž by současně odmítal bezpečné úkoly.

Trénování v simulaci s Gemini 4 Argon

DeepMind připisuje Gemini 4 Argon urychlení vývoje Gemini Robotics 2.5 prostřednictvím simulace. Argon dokáže záběrem kamery ze skutečného prostředí vytvořit tisíce různorodých cvičných běhů a sestavit realistické digitální dvojče. Tyto běhy v kombinaci s ukázkami z reálného trénování pomáhají robotům rychleji zobecňovat své schopnosti na nové scény a předměty. Výzkumníci mohou Argon využít také k navrhování vysvětlení neúspěšných úloh na základě videa a k testování vylepšení v simulaci i na fyzických robotech.

Vývojářský příspěvek z 13. října 2026 popisuje tento přístup v samostatném experimentu. Ten začal jedinou barevnou fotografií skutečné stolní plochy, kterou Argon rekonstruoval jako kalibrovanou fyzikální simulaci MuJoCo a následně v ní vytvořil více než 4 500 tréninkových epizod s náhodně měněnými podmínkami. Google uvedl, že úspěšnost při práci se skutečným robotem se díky tomu zvýšila z 56 % na 75 % a doba dokončení klesla z 35 sekund na 24 sekund.

Tento dřívější experiment není srovnávacím testem Gemini Robotics 2.5, ilustruje však vývojový cyklus, který stojí za jeho uvedením. Oznámení propojuje pro průmyslovou robotiku generování simulovaných dat, ovládání hardwaru a adversariální testování bezpečnosti do jednoho pracovního postupu. Zůstává otázkou, nakolik spolehlivě lze tento postup přenést z předvedené kompletace sad dílů na jiné roboty a pracoviště.