NVIDIA Isaac GR00T N1.7は、汎用ロボット操作のためのオープンビジョン言語アクションモデルおよび付随ワークフローです。公式リポジトリでは、事前学習済みの重み付け、参照コード、ファインチューニング、推論、評価パスを備えた早期アクセスリリースが説明されています。早期アクセスは、本番環境が一般に提供されるまで、本番サポートや完全な検証が限定されることを意味します。
基準チェックポイントは約30億のパラメータで構成されています。これは視覚言語のバックボーンと拡散Transformerアクションヘッドを組み合わせています。画像、言語、ロボットの状態は連続的な動作に変換されます。モデルは複数の具現化にまたがっていますが、ロボットは正しいモダリティ構成、動作表現、正規化を用いなければなりません。
GR00Tは、より広い ロボット基盤モデル と VLA の風景の中で理解されるべきです。チェックポイントのダウンロードはエンジニアリングプロセスの始まりであり、新しいロボットが安全かつ確実にタスクを遂行できる証明ではありません。
N1.7は早期アクセスリリースです
公式の Isaac-GR00Tリポジトリ では、N1.7を早期アクセスとして識別し、実験的なものとGAで期待される本番のサポートを区別しています。ドキュメントやインターフェースが変更される可能性があるため、チームはすべての結果で使用されるコミット、チェックポイント、依存関係をピン留めすべきです。
アーリーアクセスは研究、プロトタイピング、比較に依然として有用です。展開の決定は、サポート状況、ライセンス、セキュリティレビュー、モデルのアップデート、再現性を考慮しなければなりません。1つのチェックポイントで行われたベンチマークが、その後のバージョンや以前のバージョンに無言で帰属されるべきではありません。
アーキテクチャは理解と継続的な行動を融合させています
ビジョン言語のバックボーンは画像や指示を処理し、ロボットの状態は身体化の文脈を提供します。拡散トランスは連続動作出力を反復的にノイズ除去します。このデザインはテキストで終わる VLM ものとは異なり、出力はロボットの動作空間とタイミングにマッピングされなければなりません。
アーキテクチャ図は情報の流れを示し、タスクの信頼性を示すものではありません。パフォーマンスはトレーニング分布、カメラビュー、状態フィールド、アクション定義、コントローラー、レイテンシー、物理ロボットに依存します。公式の図はデータおよびポリシーAPIのドキュメントと共に読むべきです。
エンボディメントタグはデータインターフェースを定義します
GR00Tは、状態、アクション、ビデオキーのモーダリティ構成を選択するためにエンボディメントタグを使用します。タグは連結された配列がどのように分割され正規化されるかを示します。誤ったタグを使用すると、意味的に誤った命令に対して構文的に有効な推論が生じることがあります。
新しいロボットの場合は、関節の順序、ユニット、工具枠、アクションホライゾン、グリッパーの慣習、カメラを記録してください。トレーニング前に、既知の動作でテストを行った。インターフェースはロボットの説明とキャリブレーションに合わせてバージョン指定されているべきです。
このデータ形式はLeRobotのワークフローを拡張しています
リポジトリは、メタデータ、エピソードおよびタスク記録、パーケット状態アクションデータ、動画、GR00T固有のモダリティファイルを含むLeRobot v2スタイルのデータセットを記述しています。完全なエピソードでは、視覚観察、ロボットの状態、動作、言語を各タイムステップで整合させます。
ロボットアクションデータガイドのデータ品質原則は今も適用されます。タイムスタンプ、キャリブレーション、成功ラベル、故障カバレッジ、オペレーター介入をチェックしましょう。ファイルを変換しても、動作と画像がずれているデモンストレーションを修復することはできません。
| データセット要素 | 目的 | クリティカルチェック | 故障効果 |
|---|---|---|---|
| ビデオ | 視覚観察 | カメラキーとタイミング | 場面の文脈が間違っている |
| 状態 | ロボット構成 | 順序、単位、正規化 | 誤った具現化状態 |
| 行動 | ターゲットの動きまたは指令 | フレームと地平線 | 安全でない、または意味のない出力 |
| 任務 | 言語目標 | エピソードの配置 | 命令の不一致 |
| モダリティメタデータ | 場の解釈 | タグとスキーマバージョン | サイレントマッピングエラー |
基礎推論とファインチューニングは異なる問いに答えます
ゼロショット推論は、サポートされた事前学習された実体をテストし、インターフェースの挙動を明らかにすることができます。新しい作業、カメラ配置、ロボットには一般的に適応が必要です。ファインチューニングは、デモンストレーションとモダリティ構成を用いてモデルを特化しつつ、事前学習された表現を保持します。
可能な限り、シーン、対象物、軌道ごとに列車、検証、ホールドアウトテストの分割を作成します。トレーニングデータにチューニングし、検証エビデンスのあるチェックポイントを選び、すべての反復で繰り返されない物理的な試験を予約してください。そうでなければ、小さなデモンストレーションセットに過剰にフィットしてしまうことがあります。
ハードウェアの要件は訓練や推論に異なります
NVIDIAの現在の ハードウェア推奨 は、ファインチューニングと低遅延推論を分離し、テスト済みのプラットフォーム周波数を公開しています。これらの結果はモデル設定、カメラ数、ノイズ除去ステップ、実行時間に依存します。
モデルの頻度だけでなく、エンドツーエンドのロボット遅延をベンチマークしましょう。カメラキャプチャ、前処理、ネットワークまたはプロセス転送、ポリシー推論、アクションチャンク処理、コントローラ実行を含めます。熱、メモリ、同時処理負荷は持続的なパフォーマンスに影響を与えることがあります。
| 舞台 | 測定 | なぜ重要なのか | 受理証拠 |
|---|---|---|---|
| データ読み込み | エピソードの整合性とスループット | 訓練の腐敗を防ぐ | スキーマ監査 |
| ファインチューニング | 損失および検証タスクの指標 | 適応されたチェックポイントを選択する | 掲示されたデータ |
| 推論 | エンドツーエンドレートとジッター | 利用可能な制御タイミングを設定する | 生産ハードウェアログ |
| シミュレーション | 課題および故障カバレッジ | スクリーンの安全でないポリシー | 再現可能なベンチマーク |
| ハードウェア | 成功、介入、安全性 | テスト実際の展開 | 制御ロボット試験 |
評価はオープンループからハードウェアへと進めなければなりません
オープンループ評価は予測された行動を記録されたデータセットと比較し、回帰分析には有用ですが、複合誤差を明らかにすることはできません。シミュレーションはモデルギャップを保持しつつ、クローズドループ応答を追加します。実際のハードウェアはセンサー、接触、タイミング、安全制約を露呈させます。
タスク、初期条件、オブジェクトセット、成功を定義し、試験前に行ってください。初回成功、再挑戦、完了時間、介入および失敗のカテゴリを報告してください。適応モデルをより単純なベースラインと、同じプロトコルの前のチェックポイントと比較してください。
ポリシーAPIはロボットコントローラーの上に位置します
ポリシー出力は運動学的、動的、安全の制約を回避してはなりません。デプロイアダプターはアクションチャンクをターゲットにマッピングし、タイミングを監視し、古い出力や無効な出力を処理します。低レベルのコントローラーは、ジョイント、トルク、速度、作業空間の制限内でコマンドを追跡します。
エッジAIアーキテクチャは推論をロボットの近くに留めつつ、リモートトレーニングやフリート分析は集中管理を維持できます。ポリシー推論が締め切りを逃したり、カメラが故障したり、ネットワーク支援が消えたりした場合、ロボットが何をするかを決めてください。
モデルの改善は慎重に評価されるべきです
新しいリリースでは、バックボーン、トレーニングデータ、コード、チェックポイント、ランタイムが変更されることがあります。また、より良いデータ変換、増強、またはコントローラの調整によっても得られることがあります。実験マトリックスを用意し、一度に一つの主要な要素を変えていきます。
リポジトリの明示されたベンチマークと制限を文脈として用い、目標の実例を再現します。同じヘッドライン結果が、異なるカメラ、グリップ、アクションフレーム、環境で同じ挙動を示すわけではありません。
慎重な導入計画はリスクを減らします
まずは公式のデモデータとサポート環境から確認し、インストールを検証してください。小さなロボットデータセットを変換し、すべてのモダリティを検査します。ベースラインを微調整し、オープンループを評価し、シミュレーションを実行し、制約された物理的作業空間で緊急手順を導入します。
チェックポイント、コードコミット、設定、データセット、ロボットキャリブレーションを保持します。故障処理が安定してからタスクバリエーションを拡大してください。リリースが早期アクセスであれば、必要なサポートと検証が得られるまで、本番環境に不可欠な依存関係から隔離してください。
- リポジトリのコミットとチェックポイントをピン留めします。
- エンボディメントタグとモダリティスキーマを監査します。
- トレーニング前に同期デモンストレーションを検証してください。
- ターゲットハードウェア上でエンドツーエンドの推論を測定します。
- オープンループからシミュレーションやガードドロボット試験への進展。
よくある質問
GR00T N1.7とは何ですか？
これは NVIDIAの早期アクセス型オープンビジョン・言語・アクションモデルであり、複数の実装にまたがるジェネラリストロボット操作のためのリファレンスワークフローです。
GR00T N1.7は本番環境に対応可能ですか？
公式リポジトリではN1.7の早期アクセスとラベル付けされ、GA前に限定的なサポートおよび安定性保証が記載されています。本番環境での利用には独立した検証とリスクレビューが必要です。
GR00Tはどんなロボットのゼロショットでも操作できますか？
いいえ。事前学習済みの身体化サポートは特定されており、新しいロボットは一般的に正しいモダリティ構成、データの変換、適応を必要とします。ハードウェアの制約や安全性は外部のままです。
GR00Tはどのようなデータを使用していますか？
ワークフローは言語タスク、動画、ロボットの状態、アクションを完全なエピソードとして整理し、各具体化の場を説明するモダリティメタデータを用います。
GR00Tはどのように評価すべきでしょうか？
まずスキーマチェックとオープンループ回帰を使い、その後クローズドループシミュレーションと制御されたハードウェア試験を行い、タスク成功、タイミング、介入、失敗カテゴリーを行います。
発売およびモデルノート
GR00T N1.7は進化中の早期アクセスリリースです。結果を再現したり展開計画を立てる前に、現在の公式リポジトリ、チェックポイント用語、ハードウェアガイド、サポート状況を確認してください。