小米ロボットチームは、大規模ビジョン・言語・アクションモデル「Xiaomi-Robotics-1」の研究成果を発表した。ロボティクス分野のAIモデルが直面してきた高品質データ枯渇の課題を、身体性を持たない大規模前学習と実機データによる微調整を組み合わせた二段階学習パラダイムで解決した。 同モデルは、家庭や商業施設、工場、屋外など1,700以上のシナリオにわたる10万時間分の身体性非依存軌道データを前学習に活用し、自動ラベリングパイプラインで場面遷移の言語記述を生成した。さらに、7,200時間の実機データでポストトレーニングを実施し、具体的なロボット実体への適合と指示追従能力を習得させた。 評価結果では、新たな複雑な実機タスクに対し、タスクあたり平均10時間以下の実機デモンストレーションで成功率75パーセントを達成し、比較対象のπ0.5モデルを大幅に上回った。学習時間を40時間以内に拡大すると成功率は85パーセントに到達する。また、主要な4つのシミュレーションベンチマークでも全て最上位の性能を記録し、汎化能力とスケーラビリティの有効性を実証した。 本成果は、ロボットのポリシーモデルにおけるデータスケールの限界を打破し、汎用ロボット基盤モデルの実用化に向けた重要な一歩となる。低コストなタスク適応技術の普及を通じて、産業・家庭両分野での自律型ロボット導入を加速させることが期待される。