Physical AI Lab // 第 3.5 話 // 1枚まとめ
GR00T ファインチューニング実践
公開されたヒューマノイドの大規模モデルを、自分のロボットに合わせる
三つのポイント
- GR00T N1.7 は公開され商用利用もできる人型VLA:30億パラメータ、デュアルシステム構成(O)。事前学習には20,854時間の人の一人称視点映像(O)。土台が厚い。
- ファインチューニングはまずデータから:LeRobot 形式にして modality 設定を書く(各次元を具体的な関節につなぐ)。まずは少量の例のデータで練習する。変換スクリプトや例があるかは、リポジトリの説明に従う。
- コマンド一行で少し続けて学習、GPU 一枚で足りる(GPU とメモリの要件はリポジトリの説明に従う)。オープンループ評価(予測 vs 実際の動作)で確かめるが、オープンループがよくても実機のクローズドループが安定するとは限らない。
出典:O 公式・一次 · R 学術文献 · M メディア・二次
| O | 30億 | パラメータ。GR00T N1.7 は30億パラメータの公開された視覚・言語・行動モデル(画像を見て、指示を聞き、連続的な動作を出力) |
| O | 商用可 | ライセンス。エヌビディアは GR00T N1.7 を、公開され商用ライセンスのあるモデルとしている |
| O | 20,854時間 | GR00T N1.7 の事前学習に使った、人の一人称視点映像の長さ(EgoScale、20種類以上の作業にまたがる) |
| O | 二倍以上 | エヌビディアによると、人の映像を1000時間から20000時間に増やすと、平均タスク完了率が二倍以上に(器用さのスケーリング則) |
| O | 22自由度 | の器用な手。この器用さの法則によって、22自由度の手でも接触の多い細かい作業ができるように |
さらに読む
- Isaac-GR00T リポジトリ(インストール、ファインチューニング、評価のコマンド)
https://github.com/NVIDIA/Isaac-GR00T - NVIDIA · GR00T N1.7 ブログ(3Bパラメータ、EgoScale、デュアルシステム)
https://huggingface.co/blog/nvidia/gr00t-n1-7 - GR00T N1:デュアルシステムのVLA基盤モデル(arXiv 2503.14734)
https://arxiv.org/abs/2503.14734