Isaac GR00T入門｜NVIDIAのヒューマノイド基盤モデルを触ってみる【2026年版】

Isaac GR00T（グルート） は、NVIDIAが公開しているヒューマノイドロボット向けの基盤モデルです。特筆すべきはApache 2.0ライセンスで商用利用まで開放されていること。個人でも企業でも、そのまま製品に組み込めます。

GR00Tのすごいところ: 二重システム

人間は「熱いものに触って反射的に手を引く」動きと、「料理の段取りを考える」思考を使い分けています。GR00Tはこれをそのまま模したデュアルシステム構造を持ちます。

⚡

System 1

速い・反射的
実際の関節を動かす
ミリ秒単位で反応

🧠

System 2

遅い・熟考型
手順を計画する
「何をすべきか」を決める

従来のVLAモデル（解説記事）は1つのモデルで全部やろうとして「賢いけど遅い」問題を抱えていました。GR00Tは役割を分けることで、考える賢さと動く速さを両立させています。

GR00T N1.7 の特徴（2026年時点）

Apache 2.0ライセンス — 商用利用OK。ここが研究用途限定の他モデルとの決定的な差
EgoScale人間動画 2万時間 を事前学習に投入し、言語指示への追従性が向上
クロスエンボディメント対応 — 特定の1機種専用ではなく、複数のロボットで使い回せる設計

💡

なぜNVIDIAが無料で配るのか

GPUを売るためです。基盤モデルを無料にしてロボット開発者を増やせば、学習用GPU・シミュレータ・車載コンピュータ（Jetson）がすべて売れる。「土台をタダにして周辺で稼ぐ」という王道戦略です。

動かしてみる

GR00TはGitHubで公開されています（NVIDIA/Isaac-GR00T）。

git clone https://github.com/NVIDIA/Isaac-GR00T
cd Isaac-GR00T
pip install -e .

推論の最小構成はこんなイメージです。

from gr00t.model.policy import Gr00tPolicy

# 事前学習済みモデルを読み込む
policy = Gr00tPolicy.from_pretrained("nvidia/GR00T-N1.7")

# 観測（カメラ画像＋関節角度）と言語指示を渡す
observation = {
    "video": camera_frames,        # カメラ映像
    "state": joint_positions,      # いまの関節角度
    "annotation": "赤いブロックを持ち上げて",
}
action = policy.get_action(observation)  # → 関節の目標値が返る

「映像＋今の姿勢＋日本語/英語の指示」を入れると「次に取るべき関節の動き」が返る — これがVLAモデルの使い方のすべてです。

⚠️

GPUは必須級

推論だけでもVRAM 16GB以上が実用ライン、ファインチューニングとなると24GB以上が欲しくなります。手元にない場合はクラウドGPU（時間課金）か、まずは軽量なLeRobotから入るのが現実的です。

自分のロボットに合わせる（ファインチューニング）

そのままでも動きますが、真価はファインチューニングにあります。自分のロボットで数十〜数百エピソードのデータを集めて追加学習させると、そのロボット固有の癖を覚えてくれます。

GR00T活用の流れ

📼

データ収集

テレオペで50〜200回

→

🎓

追加学習

GR00Tをファインチューニング

→

🦾

実機で実行

Jetsonに載せて動かす

データ収集の実務はテレオペとデータ収集入門、実機に載せるハードはJetson Thor入門で解説しています。

他の基盤モデルとの使い分け

モデル	ライセンス	得意	こんな人に
GR00T N1.7	Apache 2.0（商用可）	ヒューマノイド全身	製品化まで見据える人
pi-0	一部公開	器用な長時間作業	研究で最高性能を追う人
OpenVLA	オープン	小型アーム	まず軽く試したい人

まとめ

GR00TはNVIDIAのヒューマノイド基盤モデル。Apache 2.0で商用利用まで可能
System 1（速い反射）＋ System 2（遅い思考）の二重構造で、賢さと速さを両立
使い方は「映像＋姿勢＋指示 → 関節の動き」。GPUは実質必須
本命の使い方は自分のロボットでのファインチューニング

次の一歩 🌸

学習の土台を固めるなら強化学習でロボットを歩かせる、実機に載せる話はJetson Thor入門へどうぞ。