Google DeepMind ha presentato Gemini Robotics ER 2, un modello di ragionamento incarnato progettato per funzionare come livello decisionale superiore dei sistemi robotici. Il modello interpreta le richieste degli utenti, comprende l’ambiente fisico, pianifica attività composte da più passaggi e stabilisce quale operazione debba essere eseguita in ogni momento, mentre il controllo diretto di motori, bracci, pinze e sistemi di locomozione viene affidato a un modello vision-language-action di livello inferiore. Questa separazione permette di collegare Gemini Robotics ER 2 a differenti piattaforme hardware senza vincolarlo a un robot specifico, utilizzando come strumenti modelli VLA, API di navigazione, interfacce per manipolatori o funzioni definite dagli sviluppatori.
Gemini Robotics ER 2 è basato su Gemini 3.5 Flash e dispone di una finestra di contesto da 128.000 token, con una capacità massima di output pari a 64.000 token. Può ricevere flussi continui di video, immagini, audio e testo, utilizzare strumenti esterni come Google Search e continuare a ragionare sulle fasi successive mentre il robot sta già eseguendo un’azione. Il modello è disponibile pubblicamente attraverso Gemini API e Google AI Studio, mentre l’integrazione nella Gemini Enterprise Agent Platform è proposta inizialmente in anteprima privata. Google ha pubblicato anche esempi di codice per configurare il modello, dichiarare le interfacce robotiche come strumenti e costruire agenti fisici capaci di eseguire attività articolate.
Il sistema è progettato per gestire sequenze operative della durata di diversi minuti, durante le quali possono essere necessarie centinaia di decisioni. Gemini Robotics ER 2 osserva l’ambiente, scompone l’obiettivo in passaggi, coordina il modello di azione e verifica continuamente l’avanzamento dell’attività. Quando un’operazione non produce il risultato previsto, può correggere il piano o ripetere il singolo passaggio senza riavviare l’intero processo. Nei test condotti con modelli VLA reali, simulazioni robotiche e sistemi controllati a distanza da un operatore umano, ER 2 ha superato Gemini Robotics ER 1.6 nelle attività di orchestrazione degli strumenti.
Per ridurre i ritardi tra una decisione e l’altra, il modello utilizza l’endpoint bidirezionale in streaming di Gemini Live API, ottimizzato per le applicazioni sensibili alla latenza. Il robot può quindi inviare in modo continuo ciò che vede e ricevere nuove istruzioni senza introdurre lunghe pause tra osservazione, ragionamento ed esecuzione. In una dimostrazione, Gemini Robotics ER 2 ha coordinato le API di navigazione e manipolazione di Spot, il robot quadrupede di Boston Dynamics, permettendogli di comprendere un comando espresso in linguaggio naturale, raggiungere la posizione corretta, afferrare una confezione di popcorn e consegnarla all’utente.
Uno dei principali aggiornamenti riguarda la capacità di analizzare un flusso video continuo anziché basarsi soltanto su immagini statiche. Questa modalità consente al sistema di determinare quando un’attività è iniziata, quanto è avanzata, se si è verificato un errore e in quale momento esatto il passaggio può essere considerato concluso. La funzione di classificazione dell’avanzamento assegna ogni fotogramma a una delle cinque fasce comprese tra lo 0 e il 100% di completamento: 0-20%, 20-40%, 40-60%, 60-80% e 80-100%. Nei test pubblicati da Google, Gemini Robotics ER 2 ha raggiunto un’accuratezza del 57,4% in questo compito, superando sia i modelli della generazione precedente sia altri modelli di frontiera utilizzati nel confronto.
La seconda funzione temporale, denominata moment finding, individua il fotogramma preciso nel quale si verifica un evento determinante. Il modello può riconoscere, per esempio, il momento in cui una tazza è sufficientemente piena e il robot deve smettere di versare, oppure quando una lampadina è stata avvitata correttamente e può iniziare la fase successiva. Gemini Robotics ER 2 ha ottenuto un’accuratezza del 91,3% in questo tipo di valutazione, con uno scarto temporale medio assoluto di 0,96 secondi. Google riferisce inoltre una velocità di esecuzione circa quattro volte superiore rispetto a modelli appartenenti a categorie dimensionali più grandi, utilizzando una frazione delle risorse di calcolo.
Il monitoraggio continuo permette al sistema di distinguere un’operazione incompleta da una realmente fallita. Se un oggetto scivola, un contenitore viene rovesciato oppure un componente non viene allineato correttamente, il modello può rilevare l’anomalia direttamente dal video, suggerire una correzione e ordinare al sistema di controllo di ripetere l’azione. La rilevazione del successo basata sulle immagini ha raggiunto un’accuratezza dell’87,7%, mentre quella eseguita su video ha ottenuto l’82,4%. Nelle valutazioni ERQA dedicate alle domande sullo spazio e sulle situazioni fisiche, il modello ha registrato il 78,5%, risultando superiore ai sistemi confrontati da Google nelle medesime condizioni.
Gemini Robotics ER 2 amplia anche le capacità di lettura degli strumenti introdotte con ER 1.6, modello pubblicato il 14 aprile 2026 e sviluppato anche per le attività di ispezione degli impianti condotte insieme a Boston Dynamics. La versione precedente era in grado di interpretare elementi come manometri circolari e indicatori visivi del livello dei liquidi. ER 2 estende il riconoscimento ai display digitali, alle scale lineari, ai righelli e ai termometri a liquido, con verifiche condotte su dieci differenti categorie di strumenti. Nel benchmark dedicato alla lettura generalizzata ha raggiunto un’accuratezza del 65,7%.
La novità più rilevante sul piano operativo è la collaborazione tra più robot. Gemini Robotics ER 2 può creare una comprensione semantica condivisa dell’attività, identificare le caratteristiche fisiche di ciascuna macchina e distribuire autonomamente il lavoro. Un robot su ruote può essere impiegato per muoversi rapidamente su superfici regolari, mentre un umanoide può occuparsi di passaggi che richiedono scale, ostacoli, una diversa altezza operativa o capacità di manipolazione più articolate. Il modello coordina il passaggio di consegne, controlla lo stato complessivo della missione e aggiorna i compiti assegnati quando cambiano le condizioni dell’ambiente.
Google DeepMind ha mostrato questa funzione facendo collaborare Apollo 2, il robot umanoide sviluppato da Apptronik, con Franka F3 Duo, una piattaforma dotata di due bracci robotici. I due sistemi possono comunicare attraverso il modello, riconoscere le rispettive capacità e occuparsi di parti differenti della stessa attività. L’obiettivo è superare l’approccio nel quale ogni macchina opera come un’unità isolata e consentire a piattaforme costruite da produttori diversi di partecipare a un unico flusso di lavoro coordinato.
Gemini Robotics ER 2 fa parte di una famiglia composta da tre modelli. Gemini Robotics 2 è il modello vision-language-action destinato al controllo diretto del corpo e può gestire robot umanoidi dai piedi alle dita, oltre a piattaforme dotate di due bracci. Gemini Robotics On-Device 2 è invece una versione più efficiente progettata per funzionare localmente sull’hardware robotico, evitando la dipendenza dalla connessione Internet e la latenza legata all’elaborazione remota. Gemini Robotics ER 2 occupa il livello di ragionamento e orchestrazione, comunicando con le persone, pianificando le attività e coordinando i modelli incaricati di produrre i movimenti.
Gemini Robotics 2 può controllare sia pinze parallele a due dita sia mani robotiche più complesse. Sul robot Apollo 2 è stato utilizzato con la mano SharpaWave, dotata di cinque dita e 22 gradi di libertà, per svolgere operazioni come annodare materiali, chiudere sacchetti e manipolare oggetti delicati. Sulla piattaforma Franka Duo può invece coordinare due pinze per compiti di confezionamento e sistemazione degli oggetti. Google riconosce tuttavia che la manipolazione multifinger rimane una delle aree più difficili della robotica.
Nei risultati pubblicati per Apollo 2 equipaggiato con mani Inspire, il modello ha prelevato correttamente gli oggetti da uno scaffale nel 76,3% dei tentativi, da un tavolo nel 68,4% e dal pavimento nel 45,7%. Con la mano SharpaWave, il sistema ha ottenuto un tasso di successo del 92% nello svitare una lampadina, del 36% nell’avvitarla e del 44% nel legare un sacchetto della spazzatura. Questi dati mostrano una differenza ancora significativa tra le operazioni relativamente strutturate e quelle che richiedono coordinazione precisa di più dita, controllo della forza e adattamento continuo alla deformazione degli oggetti.
Gemini Robotics On-Device 2 è stato sviluppato per le applicazioni che devono continuare a funzionare in assenza di connettività o non possono accettare il ritardo introdotto da un servizio remoto. Il modello supporta più configurazioni fisiche e utilizza tecniche di trasferimento del movimento derivate da Gemini Robotics 1.5. Secondo Google DeepMind può essere adattato a un nuovo robot dotato di due bracci in poche ore, generalmente utilizzando meno di 200 esempi, anche quando la piattaforma presenta forme, sensori e gradi di libertà molto differenti rispetto ai sistemi utilizzati in precedenza. Le dimostrazioni comprendono robot come Dexmate, SO101 e Trossen. Gemini Robotics 2 e On-Device 2 sono inizialmente destinati ai partner con accesso anticipato, mentre ER 2 può essere utilizzato direttamente dagli sviluppatori tramite API.
Sul fronte della sicurezza, Gemini Robotics ER 2 ha ottenuto risultati superiori a ER 1.6 e agli altri modelli confrontati nei benchmark Safety Instruction Following e Human Proximity. Il sistema può rilevare la presenza di una persona nelle vicinanze, richiamare gli strumenti di sicurezza collegati al robot, interrompere il movimento e riprendere autonomamente il lavoro quando l’area torna libera. Questa funzione opera insieme ai sistemi fisici già presenti sulle piattaforme, come le aree di protezione e i raggi di impatto entro i quali il robot deve arrestarsi.
Google DeepMind ha inoltre introdotto ASIMOV-Agentic, un benchmark dedicato alla sicurezza dei modelli che coordinano robot e strumenti fisici. La valutazione verifica se l’agente è in grado di rifiutare una richiesta pericolosa proveniente dal modello VLA, rispettare i vincoli definiti, controllare le condizioni dell’ambiente, determinare se un’attività è fisicamente realizzabile e chiedere l’intervento di una persona quando le informazioni disponibili non sono sufficienti. L’impostazione combina quindi i tradizionali sistemi di protezione hardware con un livello di controllo applicato direttamente al ragionamento e alla pianificazione delle azioni.