19.1 ロボット本体（エンボディメント）とは？
19.1 ロボット本体（エンボディメント）とは？
「本体（エンボディメント）」とはロボットが物理的にどう存在するかです：関節はいくつ、どのカメラ、どんなグリッパ、どんなアクション空間か。VLA 基盤モデルは多数の本体をまたいで訓練されます — 様々なアーム、ヒューマノイド、移動操作プラットフォーム — だから「いま自分はどの身体のために行動しているのか？」を伝える手段が必要です。
それが**本体タグ（embodiment tag）**です。SO-ARM データで GR00T を微調整するとき、データセットは new_embodiment タグを運び、これは「新しい単腕本体」に対する正しい入出力射影を選択します。データ設定 — SO-ARM の標準 2 カメラ構成は so100_dualcam — と組み合わせて、モデルはこの身体の形を正確に把握します。
SO-ARM は GR00T エコシステムで最も良くサポートされた低価格本体の 1 つです：NVIDIA の公式微調整ガイドは SO101 データを使い、LeRobot の groot ポリシーパスも SO-ARM データセットで動きます。
19.2 SO-ARM の関節・状態・アクション定義
19.2 SO-ARM の関節・状態・アクション定義
関節と状態
SO-ARM の observation.state は 6 次元で、データセットのメタデータに保存された固定関節順序です：
| 次元 | 関節 |
|---|---|
| 0 | 肩旋回 |
| 1 | 肩上下 |
| 2 | 肘 |
| 3 | 手首ピッチ |
| 4 | 手首回転 |
| 5 | グリッパ |
アクション
action は同じ 6 次元をミラーします：次ステップの目標位置。modality.json（第 20 章）では、状態 / アクショングループは single_arm（0〜4 次元）と gripper（5 次元目）に分割されます — GR00T は異なるヘッドで処理することがあるためです。
19.3 カメラモダリティ
19.3 カメラモダリティ
SO-ARM の一般的なカメラ構成
so100_dualcam データ設定は 2 つのカメラ視点を期待します — エコシステム標準の SO-ARM 構成です：
| キー | 視点 | 役割 |
|---|---|---|
front（または top） | 作業域全体をカバーする俯瞰 / 前面 | 物体はどこ、B 点はどこ |
side（または wrist） | 側面またはグリッパ視点 | テーブル面からの高さ、物体との接触 |
注意
- データセットに録画されたカメラキーは、推論時に同一のものが現れる必要があります；
- 2 視点がこのアーム上の GR00T のスイートスポット。カメラ追加にはカスタムデータ設定が必要です。
19.4 言語モダリティ
19.4 言語モダリティ
データ側
各エピソードは録画時にバインドされたタスク記述（第 12 章の --dataset.single_task）、または meta/tasks.jsonl への追記を運びます。GR00T は modality.json のアノテーションキー human.task_description（第 18 章 SO-ARM 推奨）を通じて読み取ります。
推論側
展開時、指示はライブで渡されます — 第 21 章クライアントの --lang_instruction="Grab pens and place into pen holder." など。文を変えればタスクが変わり、重みはそのままです。
19.5 観測ウィンドウとアクションウィンドウ
19.5 観測ウィンドウとアクションウィンドウ
GR00T は現在の観測（画像 + 状態 + 言語）を処理し、短い未来窓をカバーするアクションチャンク（N1.5 は 16 ステップ）を出力します。第 14 章の ACT と同様、先頭の一部だけ開ループ実行して再観測 — 同じチャンク / ホライズンのトレードオフが、はるかに大きなモデルの中で再現されます。
19.6 基盤モデルと微調整
19.6 基盤モデルと微調整
基盤モデル
VLM バックボーンはインターネットスケールの視覚-言語データと大規模な多ロボットデータセットで事前学習されています — 「物体とは何か」「操作とはどういうものか」をすでに知った状態でやって来ます。事前学習済み GR00T N1.5-3B の重みは Hugging Face にあります：nvidia/GR00T-N1.5-3B。
微調整
あなたの SO-ARM データセットが、基盤モデルをあなたのテーブル・物体・指示表現へ適応させます：
- 全パラメータ微調整はネットワークのより多くを再訓練します（約 25GB VRAM、第 21 章）；
- 部分微調整（例：
--no-tune_diffusion_modelは DiT ヘッドを凍結）は VRAM と時間を削減し、精度を少し犠牲にします； - LoRA / PEFT 系は小さなアダプタ層だけを訓練します。
ゼロショット vs. 微調整
ゼロショット（微調整なし）は「もっともらしく動く」ことがありますが、あなたの特定タスクを信頼性を持って完了することはまれです — あなたのテーブルは事前学習データにありません。50〜100 件のローカルエピソードでの微調整が想定される経路です。
19.7 GR00T システムアーキテクチャ
19.7 GR00T システムアーキテクチャ
モデル内部のデータフロー（簡略）
画像（前面・側面）──┐
状態（6 次元）─────┼─→ VLM バックボーン ─→ DiT アクションヘッド ─→ アクションチャンク（k × 6）
言語 ──────────────┘ （理解） （デノイズ） （サーボへ）
- VLM バックボーンが 3 つのモダリティをシーンと言示の意味的理解へ融合；
- DiT（拡散 Transformer）ヘッドが潜在変数を繰り返しデノイズし、首尾一貫した連続アクションチャンクへ（Flow Matching）；
- チャンクはロボット制御側へ流れ、先頭数ステップを実行して再観測します。
GR00T 推論サーバとロボット制御クライアント
展開時、NVIDIA Isaac-GR00T スタックは 2 つのプロセスに分割されます：
ロボット制御クライアント — SO-ARM とカメラに接続し、観測（画像 + 状態 + 言語）をサーバへ送り、アクションチャンクを受信してサーボで実行します。公式サンプル examples/SO-100/eval_lerobot.py はまさにこのアームのために書かれています。
GR00T 推論サーバ — モデルを保持し、利用可能な GPU（ワークステーション、クラウドインスタンス、または Jetson AGX Thor の Docker イメージ）で動作し、ネットワーク越しにクライアントへ応答します。
[ SO-ARM + カメラ ] ⇄ USB ⇄ [ ロボット制御クライアント ] ⇄ ネットワーク ⇄ [ GR00T 推論サーバ + GPU ]
統合チェックリスト
第 21 章の実践の前に、答えられることを確認：
- 本体タグは？ →
new_embodiment - データ設定は？ →
so100_dualcam - カメラキーは？ → データセットと完全に同一
- 指示の言い回しは？ → データセットのアノテーションと完全に同一
19.8 GR00T における SO-ARM の位置
19.8 GR00T における SO-ARM の位置
- 低価格・再現可能なデスクトップ本体 — LeRobot のリファレンスアームであることが、そのまま GR00T の微調整対象としての価値につながっています；
- 公式 SO101 微調整レシピでサポート（NVIDIA ブログ + Isaac-GR00T リポジトリの SO-100 サンプル）；
- Jetson AGX Thor でのエッジ推論展開が可能；
- そして — 第 22 章 — GR00T ツールチェーンを完全にバイパスするユーザー向けに、SenseCraft Robotics のノーコードプラットフォームという道があります。
19.9 本章のまとめ
19.9 本章のまとめ
- 本体 = ロボットの身体の定義。GR00T での SO-ARM：タグ
new_embodiment、データ設定so100_dualcam； - 状態 / アクションは固定関節順序の 6 次元。2 カメラ + 言語でモダリティ構成が完成；
- 基盤モデル + 微調整は、あなたのテーブルに対するゼロショットより優れています；
- 展開はロボット制御クライアント（アーム + カメラ）と GPU 推論サーバに分割されます。
次章で SO-ARM データセットを GR00T 微調整用に準備します。