谷歌深夜大招！機器人學會看儀表盤干活，成功率飆升300%

機器人前瞻（公眾號：robot_pro）
作者 許麗思
編輯 漠影

智東西4月15日報道，昨天深夜，谷歌推出Gemini Robotics-ER 1.6。

去年9月，谷歌發布Gemini Robotics-ER 1.5。時隔半年多，谷歌機器人模型終于迎來一次大升級。

Gemini Robotics-ER 1.6能夠讓機器人以前所未有的精度理解周圍環境，在多項關鍵推理能力上進行了升級，包括視覺與空間理解、任務規劃以及任務完成判斷。它可以作為機器人的高層推理模型，原生調用Google Search、VLA以及其他第三方自定義功能，自主完成復雜作業任務。

谷歌提到，與Gemini Robotics-ER 1.5和Gemini 3.0 Flash相比，Gemini Robotics-ER 1.6在空間與物理推理能力上都有明顯提升，尤其是在點位定位、計數和任務成功判斷等方面。

與此同時，Gemini Robotics-ER 1.6還新增了一項能力——儀表讀數，這使機器人能夠讀取復雜的壓力表和液位觀察窗等設備。該功能是谷歌與波士頓動力合作開發的，特別適合用于高精度工業任務。

如圖，在指向與計數任務上，Gemini Robotics-ER 1.6的成功率為80%；在單視角成功檢測任務中，其成功率為90%；在多視角成功檢測任務中，其成功率為84%；在結合Agentic Vision的儀表讀數任務中，其成功率達到93%，相比Gemini Robotics-ER 1.523%的成功率，飆升了300%。

即日起，開發者就可以通過Gemini API和Google AI Studio使用Gemini Robotics-ER 1.6。

一、升級點位定位和多視角推理能力，提升機器人干活自主性

點位定位是具身推理模型的一項基礎能力，可以讓模型實現不同類型的推理任務，包括空間推理、關系邏輯、運動推理、約束理解等。

Gemini Robotics-ER 1.6可以把點位作為中間推理步驟，來完成更復雜的任務。它可以先通過點位來計數圖像中的物體，或者通過識別關鍵位置，再結合數學計算提高尺寸或距離估算的準確性。

如圖，Gemini Robotics-ER 1.6知道什么時候該指出目標、什么時候不該亂指。它能正確識別圖中有2把錘子、1把剪刀、1把油漆刷、6把鉗子，以及一組園藝工具。對于圖中并不存在的手推車和電鉆，它也不會錯誤標注。

相比之下，Gemini Robotics-ER 1.5就沒法正確識別錘子和油漆刷的數量，完全漏掉了剪刀，還會產生幻覺，指出了并不存在的手推車，鉗子的定位精度也較差。

Gemini 3.0 Flash的表現已經比較接近Gemini Robotics-ER 1.6，但在鉗子的處理上還不夠理想。

Gemini Robotics-ER 1.6還提升了多視角推理能力，能夠更好地理解多路攝像頭畫面以及它們之間的關系，即便在動態變化或存在遮擋的環境中，也能保持較高的判斷能力。

Gemini Robotics-ER 1.6可以綜合多個攝像頭視角的信息，判斷“把藍色筆放進黑色筆筒”這一任務是否已經完成。

像這樣的任務成功判斷（Success Detection）是機器人實現自主性的關鍵一環，因為它決定了機器人在執行任務過程中，是應該重新嘗試一次，還是可以進入下一步。

二、儀表識別成功率達93%，機器人可執行設備巡檢任務

工業廠區遍布溫度計、壓力表、化學液位觀測窗等各類精密儀器，需要長期持續監測。想要解決真實工業場景中這些復雜難題，就必須讓機器人學會儀器讀數識別。

Gemini Robotics-ER 1.6讓機器人能夠讀懂多種儀表，包括圓形壓力表、垂直液位計以及現代數字讀數設備。

讀取儀表并不是簡單的識別任務，而是一個復雜的視覺推理過程。系統必須精確感知多種視覺元素，例如指針、液位、容器邊界、刻度線等，并理解它們之間的關系。

以液位觀察窗為例，模型需要結合相機拍攝角度帶來的畸變，估算液體實際填充了多少。對于壓力表，系統還需要讀取并理解文字標注的單位；有些表盤甚至有多根指針，對應不同的小數位，必須綜合后才能得出正確讀數。

依托儀器讀數識別與升級后的任務推理能力，波士頓動力的Spot四足機器人可以實現全自主巡檢，獨立感知、理解并應對各類工業實景挑戰。

Gemini Robotics-ER 1.6之所以能夠實現高精度儀表讀數，是因為它使用了Agentic Vision技術，也就是把視覺推理與代碼執行結合起來。

具體來說，模型會先采取一系列中間步驟：比如先放大圖像，更清楚地觀察儀表細節；再通過點位標注和代碼執行估算比例與區間，最終得到精確讀數，并結合世界知識理解其含義。

在儀表讀數任務上，四種模型的成功率依次提升：Gemini Robotics-ER 1.5成功率為23%；Gemini 3.0 Flash成功率為67%；Gemini Robotics-ER 1.6成功率為86%；Gemini Robotics-ER 1.6（啟用 agentic vision）成功率為93%。

結語：機器人走入現實應用，還需要具備足夠安全性

在機器人規模化落地民用與工業場景的當下，安全性早已和智能化、自主性同等重要，成為制約具身智能落地的核心門檻。

谷歌稱，Gemini Robotics-ER 1.6不僅在環境感知、空間推理、工業儀表識別等核心能力全面進階，更完成了安全能力的系統性升級，也是其目前安全表現最優的機器人專用模型。

在對抗性空間推理任務中，Gemini Robotics-ER 1.6對Gemini安全策略的遵守程度優于此前所有版本。同時，Gemini Robotics-ER 1.6在遵守物理安全約束方面也有明顯提升。

比如，在涉及點位輸出的任務中，它能更安全地判斷哪些物體可以被機械夾爪抓取，哪些不能碰，從而滿足夾持器限制或材料約束，比如“不要處理液體”“不要抓取超過20公斤的物體”等。

谷歌還測試了模型在文本和視頻場景中識別安全隱患的能力，測試依據來自真實世界的傷害事故報告。在這些任務中，Gemini Robotics-ER 1.6相比Gemini 3.0 Flash也有所提升：文本場景提升6%，視頻場景提升10%，說明它在識別潛在傷害風險方面更加準確。

對具身智能而言，真正決定機器人能否走出實驗室、走進大規模真實場景的，除了更強的大腦，還需要每一次感知、判斷與動作背后，都足夠安全可靠。