日本国家Preferred Networks（PFN）与日本国家Preferred Robotics（PFR）于9月9日宣布，双方将共同开发一款小型环境高级理解基础模型——「PLaMo-SemGround（プラモ・セムグラウンド）」。
PLaMo-SemGround是一款参数规模不超过20亿的基础模型，旨在通过自然语言、RGB图像及深度信息，理解室内移动机器人可行驶区域、禁止区域及复杂作业条件，从而简化机器人在室内的部署和运营。
PFN与PFR希望通过该模型，将室内移动机器人的初期部署费用及运营任务中90%以上的工作交由AI与现场工作人员共同完成。
该模型将助力解决人手不足问题，提升日本国内产业竞争力，具体体现在以下几个方面：
- 部署简便性：辅助地图和行驶限制的设置，降低对专业人才的依赖。
- 现场适应性：支持根据布局变更及临时放置物品等环境变化，及时更新设置。
- 安全性：识别禁止进入区域、台阶、障碍物等，保障安全行驶。
- 多样化机器人及业务拓展：面向搬运、清洁、巡逻、检查等多种任务，适配轮式、腿式及人形等多种室内移动机器人。
本项目结合了PFN在生成式AI基础模型开发的技术实力，以及PFR自2023年起开发运营的自律搬运机器人“カチャカ”系列的现场经验。PFR在日本工厂及物流领域的AMR（自主移动机器人）市场占有率排名第一（根据2026年富士经济调查）。双方将从开发到社会应用，推进以下五项工作：
1. 收集50个以上多样化实际场景数据（PFR负责）
利用PFR开发的自主移动机器人（搬运及清洁机器人）及专用数据采集推车，在获得许可的工厂和商业设施等50多个现场收集RGB图像、深度信息、行驶日志及现场规则等数据。
2. 构建超过2000万样本的学习与评估数据基础（PFN负责）
整合收集的实际数据与公开数据及合成数据，构建包含超过2000万样本的学习和评估数据基础，支持图像问答及目标区域识别等任务。
3. 整理公开基准并构建独有基准（PFN负责）
将公开基准“EmbodiedScan”转换并整理为本项目的评估任务基准。利用PFR在400多个现场收集的现有数据及新采集的50多个现场数据，构建适合目标业务的独有基准。
4. 研究开发机器人环境高级理解基础模型PLaMo-SemGround（PFN与PFR合作）
通过自然语言指令、摄像头采集的RGB图像及传感器获取的深度信息，识别二维及三维空间中的区域、物体及行驶限制，开发可连接带语义信息地图和路径规划器的基础模型。
5. 在10个以上现场进行实证测试（PFN与PFR合作）
将开发的模型集成至PFR的搬运及清洁机器人中，在5个行业、10个以上现场评估空间识别性能及实现将90%设置任务委托给模型的目标达成度。
