我要投稿

谷歌深夜大招！机器人学会看仪表盘干活，成功率飙升300%

发布日期：2026-04-15 11:20:39 浏览次数： 1917

作者：智东西

微信搜一搜，关注“智东西”

联手波士顿动力，谷歌给机器人装上会读表的脑子。

作者 | 许丽思

编辑 | 漠影

智东西4月15日报道，昨天深夜，谷歌推出Gemini Robotics-ER 1.6。

去年9月，谷歌发布Gemini Robotics-ER 1.5。时隔半年多，谷歌机器人模型终于迎来一次大升级。

Gemini Robotics-ER 1.6能够让机器人以前所未有的精度理解周围环境，在多项关键推理能力上进行了升级，包括视觉与空间理解、任务规划以及任务完成判断。它可以作为机器人的高层推理模型，原生调用Google Search、VLA以及其他第三方自定义功能，自主完成复杂作业任务。

谷歌提到，与Gemini Robotics-ER 1.5和Gemini 3.0 Flash相比，Gemini Robotics-ER 1.6在空间与物理推理能力上都有明显提升，尤其是在点位定位、计数和任务成功判断等方面。

与此同时，Gemini Robotics-ER 1.6还新增了一项能力——仪表读数，这使机器人能够读取复杂的压力表和液位观察窗等设备。该功能是谷歌与波士顿动力合作开发的，特别适合用于高精度工业任务。

如图，在指向与计数任务上，Gemini Robotics-ER 1.6的成功率为80%；在单视角成功检测任务中，其成功率为90%；在多视角成功检测任务中，其成功率为84%；在结合Agentic Vision的仪表读数任务中，其成功率达到93%，相比Gemini Robotics-ER 1.5 23%的成功率，飙升了300%。

即日起，开发者就可以通过Gemini API和Google AI Studio使用Gemini Robotics-ER 1.6。

01.

升级点位定位和多视角推理能力，

提升机器人干活自主性

点位定位是具身推理模型的一项基础能力，可以让模型实现不同类型的推理任务，包括空间推理、关系逻辑、运动推理、约束理解等。

Gemini Robotics-ER 1.6可以把点位作为中间推理步骤，来完成更复杂的任务。它可以先通过点位来计数图像中的物体，或者通过识别关键位置，再结合数学计算提高尺寸或距离估算的准确性。

如图，Gemini Robotics-ER 1.6知道什么时候该指出目标、什么时候不该乱指。它能正确识别图中有2把锤子、1把剪刀、1把油漆刷、6把钳子，以及一组园艺工具。对于图中并不存在的手推车和电钻，它也不会错误标注。

相比之下，Gemini Robotics-ER 1.5就没法正确识别锤子和油漆刷的数量，完全漏掉了剪刀，还会产生幻觉，指出了并不存在的手推车，钳子的定位精度也较差。

Gemini 3.0 Flash的表现已经比较接近Gemini Robotics-ER 1.6，但在钳子的处理上还不够理想。

Gemini Robotics-ER 1.6还提升了多视角推理能力，能够更好地理解多路摄像头画面以及它们之间的关系，即便在动态变化或存在遮挡的环境中，也能保持较高的判断能力。

Gemini Robotics-ER 1.6可以综合多个摄像头视角的信息，判断“把蓝色笔放进黑色笔筒”这一任务是否已经完成。

像这样的任务成功判断（Success Detection）是机器人实现自主性的关键一环，因为它决定了机器人在执行任务过程中，是应该重新尝试一次，还是可以进入下一步。

02.

仪表识别成功率达93%，

机器人可执行设备巡检任务

工业厂区遍布温度计、压力表、化学液位观测窗等各类精密仪器，需要长期持续监测。想要解决真实工业场景中这些复杂难题，就必须让机器人学会仪器读数识别。

Gemini Robotics-ER 1.6让机器人能够读懂多种仪表，包括圆形压力表、垂直液位计以及现代数字读数设备。

读取仪表并不是简单的识别任务，而是一个复杂的视觉推理过程。系统必须精确感知多种视觉元素，例如指针、液位、容器边界、刻度线等，并理解它们之间的关系。

以液位观察窗为例，模型需要结合相机拍摄角度带来的畸变，估算液体实际填充了多少。对于压力表，系统还需要读取并理解文字标注的单位；有些表盘甚至有多根指针，对应不同的小数位，必须综合后才能得出正确读数。

依托仪器读数识别与升级后的任务推理能力，波士顿动力的Spot四足机器人可以实现全自主巡检，独立感知、理解并应对各类工业实景挑战。

Gemini Robotics-ER 1.6之所以能够实现高精度仪表读数，是因为它使用了Agentic Vision技术，也就是把视觉推理与代码执行结合起来。

具体来说，模型会先采取一系列中间步骤：比如先放大图像，更清楚地观察仪表细节；再通过点位标注和代码执行估算比例与区间，最终得到精确读数，并结合世界知识理解其含义。

在仪表读数任务上，四种模型的成功率依次提升：Gemini Robotics-ER 1.5成功率为23%；Gemini 3.0 Flash成功率为67%；Gemini Robotics-ER 1.6成功率为86%；Gemini Robotics-ER 1.6（启用 agentic vision）成功率为93%。