NVIDIA představuje GR00T 2 pro roboty, kteří se učí z videí lidí

Společnost NVIDIA představila GR00T 2 9. listopadu 2026 na konferenci o robotickém učení (CoRL) v Austinu a uvedla, že model natrénovaný částečně na videích lidí dosáhl 40% úspěšnosti bez předchozího tréninku na 50 úkolech, které nebyly součástí trénovacích dat cílového robota.

GR00T 2 využívá transformer se 2 miliardami parametrů postavený na modelu Cosmos-Predict2.5-2B. Kombinuje aktuální záběry z kamer, stav robota a písemný pokyn, aby předpověděl budoucí záběry a další posloupnost akcí. Jeden předtrénovaný kontrolní bod pokrývá ramena s paralelními chapadly, obratné ruce i humanoidního robota. NVIDIA model představuje jako otevřený, na stránce věnované výzkumu však uvádí, že kód bude k dispozici v prosinci.

Předtrénování kombinuje 402 730 hodin videí z první osoby, 10 184 hodin demonstrací s ručním chapadlem napříč 2 897 úkoly a 23 500 hodin teleoperace robotů. Vydání datové sady Human-1M-100K zpřístupňuje 100 000 hodin těchto lidských dat včetně videí, jazykových anotací a údajů o pohybech hlavy a rukou, a to pod licencí CC BY 4.0, která umožňuje komerční i nekomerční využití.

Testy napříč různými těly robotů ukazují, jak se dovednosti přenášejí mezi různými typy robotů a jak se přizpůsobují s omezeným množstvím robotických dat. NVIDIA uvádí 65% úspěšnost při přípravě filtračního papíru, kterou se model naučil z lidských demonstrací bez teleoperace specifické pro daný úkol, a 60% úspěšnost při sestavování dětského sklápěcího nákladního auta po přenosu dovednosti z ručního chapadla na rameno YAM. Při vyhodnocení Dexter dokončil GR00T 2 alespoň jeden pokus u 40 úkolů. Průměrná úspěšnost dosahuje 71 % při jedné demonstraci na úkol a 95 % při pěti demonstracích; těchto pět demonstrací poskytuje méně než tři minuty robotických dat na úkol a následuje po nich přibližně 30minutové doladění adaptéru na jednom RTX 5090.

Technický dokument uvádí u výsledku s pěti demonstracemi důležitou výhradu: vyhodnocené úkoly byly vybrány z těch, které se model dokáže naučit s pěti epizodami při úspěšnosti alespoň 80 %, takže průměrná úspěšnost je zčásti vysoká už díky samotnému způsobu výběru.

Simulační trénink se zaměřuje na přesnost

Základem simulace je Isaac Lab 3.0, který je obecně dostupný od 20. října 2026. Nabízí jednotné API pro úlohy napříč fyzikálními, vykreslovacími a vizualizačními backendy; Newton podporuje tuhá tělesa, deformovatelné objekty i částice a mnoho pracovních postupů lze spustit bez úplné instalace Isaac Sim. V benchmarku obratné manipulace založené na vidění uvádí NVIDIA až 2,5násobnou propustnost trénování oproti Isaac Lab 2.3 s PhysX, pokud Isaac Lab 3.0 běží s Newtonem.

AlphaNIST využívá rozsáhlý simulační trénink pro 20 úkolů z NIST Assembly Task Board, včetně práce s díly o velikosti pouhých 4 milimetrů. Jedna sdílená politika se trénuje pouze s odměnou za úspěch, která má hodnotu ano, nebo ne. NVIDIA uvádí, že tato politika dosahuje při trénování úspěšnosti 98,2 % oproti 81,4 % u samostatných politik pro jednotlivé úkoly a vyžaduje přibližně 39krát méně času na GPU; jde o výsledky simulačního trénování.

Za projektem AlphaNIST stojí vzorkování řízené úspěšností, které vyvinuly University of Washington a NVIDIA. Směřuje trénink ke konfiguracím blízkým hranici schopností politiky, zejména k těm, které úspěšně řeší přibližně v polovině případů. Autoři metody uvádějí, že ji lze efektivně škálovat na více než jeden milion simulovaných prostředí a že politiky sestavování založené na RGB obrazu lze bez předchozího trénování přenést na skutečný hardware UR5e.

Benchmarky řeší průmyslovou variabilitu

Isaac Lab-Arena zajišťuje vrstvu pro vyhodnocování. Tento open-source framework vytváří opakovatelná hodnocení z modulárních komponent a spouští je v simulovaných prostředích akcelerovaných GPU; analýza selhání ukazuje, které podmínky vyžadují další trénink. NVIDIA uvádí, že vývojářská předběžná verze 0.4 bude představena na CoRL.

DexBench v1.0, který vyvinuly RLWRLD a NVIDIA, obsahuje 15 úkolů z prostředí maloobchodu, logistiky, montážních linek a hotelového stravování. VABAR od UC Berkeley a NVIDIA zahrnuje třídění a zavěšování nástrojů, spojování ozubených kol, balení injekčních stříkaček a vkládání a vedení kabelů; k dispozici je také knihovna 33 dovedností. Stránka projektu VABAR uvádí, že jeho dvě současné úrovně obtížnosti tvoří validační sadu a náročnější testovací sada se teprve připravuje.

Agenti přidávají obnovu po chybách a nová omezení

Framework Graph-as-Policy od UC Berkeley využívá více agentů k sestavení interpretovatelného orientovaného grafu robotických dovedností, jeho vyzkoušení v simulaci a úpravě jeho struktury i parametrů po neúspěších. Projekt uvádí, že deset opakování zvýšilo úspěšnost úkolu Make Popcorn z počátečních 33 % na 94 % v simulaci a 90 % na skutečném robotu, tedy v 18 z 20 pokusů. Současné benchmarky se zaměřují na kvazistatickou manipulaci; deformovatelné objekty, dynamické situace a pohyblivé cíle jsou předmětem budoucí práce.

GR00T 2 využívá agenta pro uvažování, který řadí dovednosti do posloupnosti, sleduje pokrok a spouští postupy pro obnovu po chybě, když upadnou součástky nebo se práce zastaví; samotný model přitom zajišťuje manipulaci s intenzivním kontaktem. NVIDIA uvádí, že s opravnými daty a tímto agentem bylo při 100 pokusech na každý druh hračky úspěšně sestaveno 98 dětských letadel, 97 dětských traktorů a 97 autíček Hot Wheels; každý pokus začínal náhodně vysypanými díly. Samotné dolaďování s učitelem vedlo k 69, 51 a 23 úspěšným sestavením.

Bílá kniha samostatně uvádí přibližně 70% průměrnou úspěšnost v benchmarcích s dlouhým horizontem po trénování. Při třídění odpadu řízeném vizuálními pokyny robot čekal na agenta po mediánových 38 % epizody, což odhaluje časovou náročnost dohledu agenta.

NVIDIA uvádí, že společnost Nexuni testuje GR00T 2 při manipulaci s prádlem, Foxconn jej nasazuje k automatizaci výroby serverů a Siemens vyhodnocuje možnosti jeho využití v průmyslu. Zveřejněné informace se týkají testování a vyhodnocování; žádné nasazení do ostrého provozu oznámeno nebylo.

Závěr bílé knihy připisuje spolehlivost předtrénování, které zajišťuje šíři schopností, opravným demonstracím a posilovanému učení, které zvyšují přesnost, a agentům, kteří zajišťují paměť, ověřování a obnovu po chybách. Pro průmyslové uživatele je proto důležité hodnotit celý pracovní postup kolem GR00T 2 i míru dohledu potřebnou pro každý úkol. Výzvou při nasazení zůstává zachovat uváděnou spolehlivost a současně zkrátit adaptaci pro jednotlivé úkoly i čekání na agenta, které dokládají vlastní výsledky společnosti NVIDIA.