Apollo 2 İnsansı Robotları, Mercedes-Benz’de Parça Sıralama Kavram Kanıtında %96 Başarıya Ulaştı

Google DeepMind, Gemini Robotics 2.5’i tanıttı ve Apptronik’in Apollo 2 insansı robotlarının, aktif Mercedes-Benz üretim hatlarında gerçekleştirilen kavram kanıtı çalışmasında otomotiv parçalarını %96 başarı oranıyla sıraladığını bildirdi.

Gemini Robotics 2.5, görsel ve dilsel anlayışı robot eylemlerine bağlayan bir görsel-dil-eylem (VLA) modelidir. DeepMind modeli robotik ortaklarının kullanımına sunuyor. Resmî model sayfası, masaüstü robot kollarından tam boy insansı robotlara kadar farklı sistemlerin kontrolünü; adım atma, çömelme ve eğilme sırasında dinamik denge sağlamayı da kapsayacak şekilde açıklıyor ve erken erişim için bir bekleme listesi sunuyor.

Apollo 2 Otomotiv İçin Parça Setleri Hazırlıyor

Fabrika çalışmaları, Macaristan’ın Kecskemét ve Almanya’nın Sindelfingen kentlerindeki Mercedes-Benz tesislerinde gerçekleştirildi. DeepMind, Apptronik ve otomobil üreticisi, Apollo 2’yi aktif üretim hatlarında birlikte çalıştırdı. Kavram kanıtı çalışmasında insansı robot, parçaları toplu depolama kutularından alarak her araç için gereken kesin sıraya göre düzenlenmiş tepsilere otonom biçimde yerleştirdi.

İş akışı iki model arasında paylaştırıldı. Gemini Robotics ER ilerlemeyi takip ederken Gemini Robotics 2.5, insansı robotun ellerini ve kollarını hareket ettirerek tedarik kutularından metal otomotiv braketlerini aldı, sıralama kaplarına yerleştirdi ve eksikleri giderdi. Test edilen Apollo 2 yapılandırmasında, 22 serbestlik derecesine sahip beş parmaklı bir SharpaWave el kullanıldı. DeepMind, bu tekrarlayan hazırlık işinin robotlara devredilmesini, teknisyenlerin karmaşık montaj işlerine odaklanırken üretim hatlarının çalışmayı sürdürmesini sağlayacak bir yöntem olarak sunuyor.

Apptronik’in kurucu ortağı ve CEO’su Jeff Cardenas şunları söyledi:

“Apollo 2’yi Gemini Robotics ile eşleştirdiğimizde, modellerin eğitim sonrası yalnızca birkaç hafta içinde büyük ilerleme kaydettiğini ve performanslarında çok az düşüşle Mercedes-Benz üretim ortamına uyum sağladığını gördük.”

Hassasiyet Artışı ve Güvenlik Değerlendirmesi

Fabrika çalışmalarının yanı sıra değerlendirme paketi, yiyecekleri maşa kullanarak servis etme, hediye kutusuna fiyonk bağlama ve sıvı pipetleme gibi 200’den fazla farklı görevi kapsıyordu. Görevlerde gelişmiş araç kullanımı, şekil değiştirebilen nesnelerin karmaşık biçimde manipüle edilmesi ve hassas eşyaların dikkatle taşınması bir araya getirildi. DeepMind’ın bildirdiğine göre model, görevin türüne bağlı olarak önceki temel modellere kıyasla %30 ila %100 daha yüksek başarı oranlarına ulaştı ve görevleri %20 ila %30 daha hızlı tamamladı.

Model, fiziksel güvenlik için çıkarım sırasında gerçek zamanlı akıl yürütme yönlendirmesi kullanarak tehlikelerden kaçınıyor. DeepMind’ın değerlendirmelerinde, engellerin çevresinde görevleri güvenli biçimde tamamlama oranı %33, yakındaki insanların çevresinde ise %43 arttı. Duyuru, güvenliğin birden çok adım boyunca korunması gereken uzun ufuklu ajan görevlerini de ele alıyor.

DeepMind ayrıca, istemlerin onlarca farklı senaryoda güvenli olmayan talepleri gizlediği açık kaynaklı bir kıyaslama testi olan ASIMOV-Jailbreak’i yayımladı. DeepMind’ın bildirdiğine göre Gemini 4 Argon, önceki temel model olan Gemini Robotics ER 2’nin %82’lik oranına kıyasla %99,5 jailbreak direnci gösterdi. Depoda, MIT lisansı kapsamında değerlendirme kodu ve verileri bulunuyor.

Çok turlu V3 karşıt değerlendirmesi, 15 strateji grubuna yayılan 845 örnek içeriyor ve en fazla 10 adıma izin veriyor. Eylem aracı çağrılarını belirleyici kontrollerle, büyük bir dil modeli değerlendiricisini bir araya getiriyor. Eşleştirilmiş zararlı ve zararsız masaüstü manipülasyon görevleri, test düzeneğinin saldırı başarısını ve zararsız isteklere aşırı ret yanıtlarını birlikte ölçmesini sağlıyor; böylece modelin güvenli olmayan talimatları reddederken güvenli işleri de reddedip reddetmediği sınanıyor.

Gemini 4 Argon ile Simülasyon Eğitimi

DeepMind, simülasyon yoluyla Gemini Robotics 2.5’in geliştirilmesini hızlandırma konusunda Gemini 4 Argon’un katkısına dikkat çekiyor. Argon, gerçek dünyadan alınan bir kamera görüntüsünden binlerce farklı alıştırma çalıştırması üretebiliyor ve gerçekçi bir dijital ikiz oluşturabiliyor. Gerçek eğitim gösterimleriyle birleştirilen bu çalıştırmalar, robotların yeni sahnelere ve nesnelere daha hızlı genelleme yapmasına yardımcı oluyor. Araştırmacılar ayrıca Argon’u, görev başarısızlıklarına ilişkin video tabanlı açıklamalar önermek ve iyileştirmeleri hem simülasyonda hem de fiziksel robotlarda sınamak için kullanabiliyor.

13 Ekim 2026 tarihli geliştirici gönderisi, bu yaklaşımı ayrı bir deneyde belgeliyor. Deney, gerçek bir masaüstünün tek bir renkli fotoğrafıyla başladı. Argon, 4.500’den fazla eğitim bölümü oluşturmadan önce bu görüntüyü kalibre edilmiş bir MuJoCo fizik simülasyonu olarak yeniden oluşturdu ve koşulları rastgeleleştirdi. Google, bunun sonucunda gerçek robotun başarı oranının %56’dan %75’e yükseldiğini, tamamlama süresinin ise 35 saniyeden 24 saniyeye düştüğünü bildirdi.

Bu önceki deney, Gemini Robotics 2.5 için bir kıyaslama testi değildir; ancak duyurunun arkasındaki geliştirme döngüsünü ortaya koyuyor. Endüstriyel robotik alanında duyuru, simülasyonla veri üretimini, donanım kontrolünü ve karşıt güvenlik testlerini tek bir iş akışında birleştiriyor. Açıkta kalan soru, bu iş akışının gösterilen parça seti hazırlama görevinin ötesinde başka robotlara ve işyerlerine ne ölçüde tutarlı biçimde aktarılabildiği.