通过多步骤任务编排 Spot 机器人
2026 年 7 月 30 日。任务：建议落地方案：使用 Gemini Robotics ER 2 作为高层推理大脑，编排波士顿动力 Spot 等机器人的物理任务。开发者将底层控制接口（如 VLA 模型、导航 API）定义为工具，并向模型流式传输多模态视频/音频，以实现实时空间推理和多步骤规划。模型通过监控连续视频流来跟踪进度、检测失败并动态调整动作，无需停顿。人类操作员需保持参与以进行安全监督和远程操控，但源文本未详细说明具体的人员介入协议。；工具：Gemini。人工角色：原始帖子没有说明人如何参与。；局限：访问需要集成 Gemini API、Google AI Studio 或私有预览版 Enterprise Agent Platform。该模型依赖底层 VLA 模型执行实际电机操作，这些模型不包含在此推理层中。安全基准测试由谷歌自行报告；真实世界的物理安全取决于适当的硬件约束和人工监督。源文本对产品声明的可靠性较高，但缺乏对外部性能指标的验证。。
工具
Agent Work Atlas 发布日期:
概述
2026 年 7 月 30 日
工作流程
建议落地方案：使用 Gemini Robotics ER 2 作为高层推理大脑，编排波士顿动力 Spot 等机器人的物理任务。开发者将底层控制接口（如 VLA 模型、导航 API）定义为工具，并向模型流式传输多模态视频/音频，以实现实时空间推理和多步骤规划。模型通过监控连续视频流来跟踪进度、检测失败并动态调整动作，无需停顿。人类操作员需保持参与以进行安全监督和远程操控，但源文本未详细说明具体的人员介入协议。
原文报告的结果
在谷歌的内部评估中，Gemini Robotics ER 2 在进度分类任务中达到了 57.4% 的准确率，在时刻查找任务中达到了 91.3% 的准确率，平均绝对距离为 0.96 秒。这些指标表明其在验证任务完成方面的时序智能优于前代产品。源文本未提供独立的第三方验证或真实世界部署的失败率数据。
人工角色
原始帖子没有说明人如何参与。
局限
访问需要集成 Gemini API、Google AI Studio 或私有预览版 Enterprise Agent Platform。该模型依赖底层 VLA 模型执行实际电机操作，这些模型不包含在此推理层中。安全基准测试由谷歌自行报告；真实世界的物理安全取决于适当的硬件约束和人工监督。源文本对产品声明的可靠性较高，但缺乏对外部性能指标的验证。
试一试
我想测试 Gemini Robotics ER 2 针对模拟 Spot 机器人任务的编排工作流。首先，使用我的 [API_KEY] 配置与 Gemini API 的连接。定义一个简单的多步骤任务：“导航到厨房台面，识别爆米花袋，并移动机械臂抓取它。”向模型流式传输一个模拟环境的 [SAMPLE_VIDEO_URL]。要求模型输出一个包含步骤、导航和操作工具调用以及进度置信度分数的 JSON 计划。不要执行任何真实的硬件命令。相反，打印生成的计划和模型对每个步骤的推理过程。如果计划看起来合乎逻辑，请在进入模拟器试运行之前向我寻求确认。如果缺少输入，请询问我具体的视频文件或模拟环境细节。
来源报告未经独立核验。发布日期为本站案例发布日期，并非原始文章日期。