Xiaomi-Robotics-1が示すPhysical AIの次段階──10万時間超の実ロボット軌跡でVLAを訓練

Xiaomi Robotics Teamらは、視覚・言語・行動をつなぐ基盤モデル「Xiaomi-Robotics-1」を発表した。10万時間超の実世界操作軌跡で事前学習し、未見環境でのモバイル操作や、少量データでの新タスク適応を狙う。生成AIが画面内の作業だけでなく、物理空間で動くロボットの行動生成へ広がる流れを示す研究だ。

VLAモデルとは何か

VLAはVision-Language-Actionの略で、カメラなどの視覚入力、自然言語の指示、ロボットの行動を一体で扱うモデルを指す。Xiaomi-Robotics-1は、まず実ロボットから集めた大規模な操作データで一般的な行動生成能力を学習し、その後、ロボットの身体性や人間が使う命令表現に合わせて調整する二段階の訓練手順を採用している。

特徴的なのは、UMIデバイスで収集した10万時間超の軌跡データと、軌跡クリップへ自然言語で場面変化を注釈する自動ラベリングパイプラインだ。ロボットが「何を見て、何を変化させたのか」を言語で結びつけることで、命令に応じた行動学習を狙う。

産業ロボット導入への示唆

工場、倉庫、店舗、介護、家庭内支援などでは、環境が少し変わるだけでロボットの動作が崩れやすい。少量データで新しい下流タスクへ適応できる基盤ポリシーが進めば、個別現場ごとに膨大な手作業調整をする負担を減らせる可能性がある。

ただし、研究ベンチマークの成功率がそのまま商用現場の安全性や稼働率を意味するわけではない。企業が評価すべきなのは、タスク成功率だけでなく、失敗時の停止、周囲の人や物体への安全性、説明可能性、保守運用、現場データの取り扱いだ。

注意点

論文ではコードとモデルチェックポイントの公開予定が示されているが、実利用にはロボット本体、センサー、制御系、現場環境との統合が必要になる。Physical AIは注目度が高い一方、誇張も起きやすい。導入判断では、デモ動画よりも再現性、長時間稼働、例外処理を確認したい。

参考：Hugging Face Papers / arXiv / Project page