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

  1. 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。
  2. 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。
  3. 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

O30億パラメータ。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
O20,854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)
O22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