NVIDIA Researchが画像認識の国際学会CVPRで、物理世界で動くAI(フィジカルAI)に関する3つの研究——汎用つかみ取りモデルGraspGen-X、自動運転を高速化するLCDrive、ゲーム環境で学習する行動エージェント基盤モデルNitroGen——を発表した。
NVIDIA Researchが2026年6月4日、画像認識の国際学会CVPRで物理世界向けAIの3研究を発表した。
GraspGen-Xは20億回の模擬つかみ取りデータで学習し、未知のハンド・未知の物体に対応する初の把持基盤モデルである。従来はグリッパごとに学習データ収集と再調整が必要だったが、これを1モデルで吸収し、動作計画ライブラリcuRobo V2と併用できる。LCDriveは言葉での逐次推論を圧縮した内部表現に置き換え、約半分のトークンで同等の走行計画品質を達成した(基盤はAlpamayo)。車載チップ上の処理速度制約に直結する。NitroGenは1,000本超のゲームと4万時間の操作データで学習し、少データ条件で従来比最大52%の性能向上を示した。GitHubとHugging Faceでオープンソース公開されている。
3つに共通するのは「大規模学習で未知に汎化する」という設計思想で、人型ロボット基盤モデルIsaac GR00Tで進めてきた方針を把持・運転・仮想エージェントへ広げたものだ。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
従来のロボットのつかみ取り（把持）AIは、特定のハンド（グリッパ）専用に作られ、新しいハンドごとに学習データ収集と再調整をやり直す必要があった。自動運転では、判断の過程を言葉で順に考える方式（思考の連鎖）が精度を上げる一方、車載チップ上では言葉の生成に時間がかかり処理速度の制約になっていた。NVIDIAは人型ロボット向けの基盤モデル「Isaac GR00T」を公開しており、「多様な状況を学べば未知にも対応できる」という方針を進めてきた。今回の3研究はこの方針を把持・運転・仮想エージェントへ広げたものだ。
GraspGen-Xは「ハンドごとの再学習が不要」という業界の長年のボトルネックを崩し、ロボット開発の初期コストを下げる可能性がある。LCDriveは言葉ではなく圧縮した内部表現で推論することで、トークン数を約半分にしつつ同等の走行計画品質を実現し、車載ハードでの実時間動作に直結する。NitroGenはオープンソースで公開され、少ないデータ条件で従来手法より最大52%性能を向上させる点が実用上の差になる。
GraspGen-Xは20億回の模擬つかみ取りデータで学習し、未知のハンド(グリッパ)・未知の物体にも対応する初の把持基盤モデルである。従来のつかみ取りAIは特定のハンド専用に作られ、新しいハンドを使うたびに学習データの収集と再調整をやり直す必要があった。GraspGen-Xはこのボトルネックを1モデルで吸収する設計に踏み込んだ。
What makes a robot gripper useful isn't that it can pick up one object — it's that it can pick up the next one, and the one after that, with a tool it's never held before.
引用は「グリッパが役立つのは1つの物をつかめることではなく、握ったことのない道具でも次の物、その次の物をつかめること」という意味である。GraspGen-Xは、CUDA(NVIDIAのGPU向け高速計算技術)で動作計画を高速化するライブラリcuRobo V2と併用できる。
LCDriveは、自動運転の判断過程を言葉で順に考える方式(思考の連鎖)を、圧縮した内部表現に置き換えた。これにより約半分のトークン数で同等の走行計画品質を達成する。基盤にはNVIDIAの自動運転向けモデルAlpamayoを用いる。
自動運転では、判断を言葉で説明しながら進める方式が精度を上げる一方、車載チップ上では言葉の生成に時間がかかり処理速度の制約になっていた。トークン数が半分になれば、同じ計算資源で計画を出すまでの時間が短くなり、車載ハードでの実時間動作に直結する。言葉という人間向けの中間表現を捨て、機械が扱いやすい内部表現で推論する設計の差がここにある。
NitroGenは1,000本超のゲームと4万時間の操作データで学習した行動エージェント基盤モデルで、少データ条件で従来手法より最大52%の性能向上を示した。重みとコードはオープンソースで公開されている。
GraspGen-XやLCDriveが研究発表中心なのに対し、NitroGenは手元で動かせる形で配られている点が、検証着手の速さで差になる。
GraspGen-X(把持)、LCDrive(運転)、NitroGen(仮想エージェント)の3つに共通するのは、大規模な学習データで訓練すれば未知の状況にも応用できる(汎化する)という考え方である。NVIDIAは人型ロボット向けの基盤モデルIsaac GR00Tで「多様な状況を学べば未知にも対応できる」という方針を進めてきた。今回の3研究はこの方針を把持・運転・仮想エージェントへ広げたものだ。
読者の判断に効くのは、それぞれが現場の具体的なボトルネックを狙っている点だ。把持はハンドごとの再学習コスト、運転は車載チップ上の処理速度、エージェントは学習データ収集コスト——いずれも導入の初期コストや実時間動作を縛ってきた制約に対応する。
立場別、明日から動ける一手。
GraspGen-Xが対応する未知ハンド・未知物体の範囲とcuRobo V2との併用条件を公式発表で確認する。
現行の把持AI開発の再学習工数と、汎用基盤モデル前提の工数差を比較する。
NitroGenの公開リポジトリとHugging Faceの重みを自社タスクで試す。
公開情報からは、ハンドごとの再学習が不要なGraspGen-Xという『把持基盤モデル』の登場が、ロボット開発の初期コストを下げる点で注目を集めている。
公式発表と各所の反応から編集部が要約した主な論点です。個別のX投稿そのものは下部のセクションに表示されます。
『言葉ではなく圧縮した内部表現で推論し、トークンを約半分にしつつ走行計画品質を保つ』
自動運転のLCDriveについては『言葉ではなく圧縮した内部表現で推論し、トークンを約半分にしつつ走行計画品質を保つ』という効率化が、車載ハードでの実時間動作に効く論点として挙がる。NitroGenはオープンソース公開と少データ条件での最大52%向上という再現性・実用性が、開発者の関心の中心になっている。
※トレンド検出時刻付近の人気投稿を表示
