Hugging Face HubからStrands AgentsとLeRobotによるロボットハードウェアへ

記事一覧に戻る

Strands RobotsにおけるLeRobot統合のウォークスルー — Hubデータセットから物理ロボットまでを1つのエージェントループで実現。シミュレーションから実機へのデータセットは同一のオンディスク形式で、ポリシーは文字列で切り替え可能。

ロボット、Hugging Face Hub上のデモンストレーションデータのフォルダ、新しいタスクの学習をしたい場合、今日では5つの別々のツールが必要になります。新しいデモンストレーションを記録するツール、訓練を行うツール、シミュレーションでテストするツール、ハードウェアにデプロイするためのカスタムコード、そして複数のロボットを調整するためのツール。これらは個別には機能しますが、相互に連携しません。

Strands RobotsはAWSが提供するオープンソースSDK（Apache 2.0）で、ロボットの抽象化、シミュレーション、LeRobotスタックをAgentToolsとして公開し、単一のStrandsエージェントに組み込むことができます。この統合は意図的に薄く作られており、ハードウェアの記録やキャリブレーションはLeRobot自身のスクリプトが処理し、エージェントが実際にオーケストレーションする部分にStrands AgentToolsが入ります。シミュレーションツールは、LeRobotがハードウェア上で書き出すのと同じ形式でLeRobotDatasetsを記録します。GR00TとLerobotLocalは共通のインターフェースでポリシー推論を提供し、MolmoAct2のチェックポイントはLerobotLocalパス経由で実行されます。ピアメッシュによりエージェントをリモートロボットに展開できます。データセット形式はLeRobotが書き込んだままです。エージェントループが接着剤の役割を果たします。

この記事では、単一のエージェント内で行う5つのステップを説明します。LeRobot AgentTools上にエージェントを構築し、シミュレーションでLeRobotDatasetとしてデモンストレーションを記録し、同じロボット上でポリシーを実行し、同じエージェントコードを物理的なSO-101にキーワード引数を1つ変更するだけでデプロイし、Zenohメッシュ経由でコマンドをフリート全体にブロードキャストします。最後に、GitHubから動作するサンプルアプリケーションをクローンして、ラップトップ上でシミュレーションで実行できます。ハードウェア、GPU、Hugging Face認証情報はデフォルトパスでは不要です。この記事の実行可能なサンプルはexamples/lerobot/hub_to_hardware.pyおよびhub_to_hardware.ipynbにあります。ノートブックはデフォルトでシミュレーションのみ、Mock-policyを使用します。

作成するもの

Strands Robots SDKはLeRobotスタックをAgentToolsとして公開し、1つのStrandsエージェントに組み込むことができます。この記事のサンプルエージェントは4つのことを行います。シミュレーションで新しいデモンストレーションを記録し、結果をLeRobotDatasetとしてHubにプッシュし、同じ形式でポリシーをシミュレーションで実行し、同じエージェントコードを物理ロボットにキーワード引数を1つ変更するだけでデプロイします。複数のロボットがある場合、エージェントは内蔵のピアメッシュを通じてフリート全体を調整できます。ハードウェアの記録とキャリブレーションについては、LeRobot自身のCLI（lerobot-record、lerobot-calibrate）がセットアップを処理し、エージェントはその後を引き継ぎます。

図1. Robot("so100")はデフォルトでMuJoCoベースのシミュレーションを使用します。mode="real"を指定するとLeRobotが駆動するハードウェアロボットが返されます。両方のモードでDatasetRecorderとポリシープロバイダーが共有されるため、シミュレーションで取得したデータセットとハードウェアで取得したデータセットは同じオンディスクのLeRobotDataset形式になります。

これを実現する2つの設計上の選択があります。まず、Robot("so100")はデフォルトでシミュレーションを返します（ハードウェア不要、リスクなし）。mode="real"を指定するとLeRobotが駆動するハードウェアバックのロボットが返されます。エージェントコードは両方のモードで同一です。次に、LeRobotDatasetを書き込むDatasetRecorderはシミュレーションパスとLeRobot自身のハードウェア記録で共有されるため、MuJoCoで取得したデータセットと物理的なSO-101から取得したデータセットは同じ形式になります。

5行のPythonで実現するワークフロー：

from strands_robots import Robot
from strands import Agent

arm = Robot("so100") # mode="sim" (default - safe, no hardware)
agent = Agent(tools=[arm])
agent("Pick up the red cube")

以下では、この呼び出しの内部で実際に起こっていることをステップバイステップで説明します。

前提条件

最小限（デフォルトのシミュレーションパス）

• Python 3.12以上、LinuxまたはmacOS（Apple SiliconはMuJoCoバックエンドでサポート）。
• エージェントの推論に使用するStrands対応モデルプロバイダー。Amazon Bedrock（AWS認証情報）、Anthropic API、OpenAI、またはローカルで動作するOllama。
• Strands Robotsをインストール用extras付きでインストール：uv pip install "strands-robots[sim-mujoco,lerobot,mesh]"

これで完了です。この記事のサンプルはこれら3つでラップトップ上でエンドツーエンドに実行できます。

上級（ハードウェアドプロイ、実ポリシー、Hubプッシュ）

• データセットのプッシュおよびHubからのポリシーチェックポイントの取得に使用する、書き込み権限を持つHugging Faceアカウントとトークン。
• ハードウェアパス用：SO-101フォロワーとリーダーのペア、またはその他のLeRobot対応ロボット。両デバイスに~/.cache/huggingface/lerobot/calibration/配下のキャリブレーションファイルが必要です。
• ローカルGR00T推論用：少なくとも16GBのビデオメモリを持つNVIDIA GPUとDockerのインストール。この記事ではgr00t_inferenceツールのlifecycle="full"アクションを使用し、イメージの取得、チェックポイントのダウンロード、コンテナの起動を1回の呼び出しで行います。

ステップ1 — サンプルのセットアップ

Strands Robotsをインストールし、サンプルファイルを取得します：

uv pip install "strands-robots[sim-mujoco,lerobot,mesh]"
git clone https://github.com/strands-labs/robots.git
cd robots

Hubへのデータセットプッシュやポリシーの取得をエージェントに行わせたい場合はHugging Faceトークンをエクスポートします。この記事のデフォルトシミュレーションパスではオプションです。サンプルはMockポリシーでエンドツーエンドに実行でき、Hubアクセスなしでデータセットをローカルキャッシュに書き込みます。

export HF_TOKEN=hf_...

実行可能なサンプルはstrands-labs/robotsリポジトリ内のexamples/lerobot/hub_to_hardware.py（Pythonスクリプト）とhub_to_hardware.ipynb（ノートブック）にあります。MuJoCoおよびLIBEROのサンプルと並んでいます。ノートブックは推奨の開始点です。JupyterLabで開き、シミュレーションモードでセルを上から順に実行してください。ハードウェアは接続不要です。

ステップ2 — デモンストレーションの記録とHubへのプッシュ

シミュレーションツールはLeRobotDatasetsを記録します。ハードウェア上でLeRobotが書き出すのと同じ形式です。ハードウェアは不要です。Simulationツールのstart_recordingアクションは同じDatasetRecorderクラスを通じて書き込みを行います。ジョイント状態とアクションには同じparquetスキーマ、各カメラのMP4レイアウトも同一です。エージェントのプロンプトはほぼ同じです：

from strands import Agent
from strands_robots import Robot

robot = Robot("so100")  # mode="sim" by default
agent = Agent(tools=[robot])

agent(
    "Record a demonstration of 'pick the red cube and place it in the box' "
    "using the Mock policy provider at FPS 30. Write the dataset to "
    "my_user/cube_picking_sim and push to the Hub when done."
)

図2. MuJoCoシミュレーションでの記録シーン：地面の赤いキューブに向かって伸びるSO-100アームがLeRobotDatasetにキャプチャされます。ハードウェア、GPU、Hugging Face認証情報は、このデフォルトパスでは不要です。

Mockポリシーは意図的です。訓練済みチェックポイントなしでワークフローをエンドツーエンドに実行できるようにプレースホルダーのジョイントアクションを生成します。ロボットは把持を完了せずランダムな動きをしますが、記録は構造的に完全（有効なジョイント状態、有効なカメラフレーム、適切な形式のLeRobotDatasetエピソード）です。ただし、デモンストレーション自体は訓練データとして有用ではありません。ステップ3でGR00TまたはLerobotLocalに置き換えることで実際の把持動作を実現します。このステップで実際のキューブ把持を確認するには、--policy lerobot_local --checkpoint allenai/MolmoAct2-SO100_101（MolmoAct2チェックポイント、config.jsonから自動検出されLerobotLocalパス経由でルーティング）を実行してください。プロンプト、データセット形式、エージェントコードは同じままです。

次の動作がその証拠です。LeRobot自身のデータセットローダーは、Strands固有のコードパスなしでシミュレーション記録データを読み取ります：

from lerobot.datasets.lerobot_dataset import LeRobotDataset

dataset = LeRobotDataset("my_user/cube_picking_sim")
print(dataset.features)
# {'observation.state': Sequence(...),
#  'observation.images.front': VideoFrame(...),
#  'action': Sequence(...),
#  'episode_index': Value(...), 'frame_index': Value(...), ...}

このfeatures辞書はHub上の任意のLeRobotデータセットと形状が同一です。列名、parquet+MP4レイアウト、ローダーパスが同じです。ハードウェア記録データを扱う訓練スクリプトは、シミュレーション記録データを変更なしで扱えます。シミュレーションからプッシュされたデータセットは、希望すれば同じHubリポジトリ内でハードウェア記録と並んで配置できます。

記録されたLeRobotDatasetの1エピソードを、各カメラのMP4から再生。訓練スクリプトが読み取るオンディスクビデオと同一形式。

ハードウェアでの記録

シミュレーションではなく物理的なSO-101でデモンストレーションを記録するには、LeRobotのrecord CLIを直接使用します。Strands統合はこのコマンドをAgentToolとしてラップしません。LeRobotがすでにクリーンに処理しているためです：

lerobot-calibrate --robot.type=so101_follower --robot.id=my_follower
lerobot-calibrate --robot.type=so101_leader   --robot.id=my_leader

lerobot-record \
  --robot.type=so101_follower --robot.id=my_follower \
  --teleop.type=so101_leader  --teleop.id=my_leader \
  --dataset.repo_id=my_user/cube_picking \
  --dataset.single_task='Pick up the red cube and place it in the box' \
  --dataset.num_episodes=25 \
  --dataset.push_to_hub=true

このコマンドからHubに書き込まれるデータセットはシミュレーション記録と同じ形式です。ポリシーをファインチューニングするにはLeRobotの訓練CLI（lerobot-train）を実行してください。訓練自体はこの記事の範囲外で、標準的なLeRobotワークフローに従います。ステップ3以降では、元のチェックポイントとファインチューニング済みチェックポイントをエージェントが interchangeably に使用できます。SO-101ハードウェアの完全なセットアップ、キャリブレーション手順、トラブルシューティングについては、サンプルフォルダのREADMEを参照してください。

ステップ3 — シミュレーションでのポリシー実行

データセットがHubにある状態で、次のステップはポリシーの実行です。サンプルではデフォルトのsimモードでRobot()ファクトリを使用し、gr00t_inferenceをアタッチしてエージェントが推論コンテナを管理できるようにします：

from strands import Agent
from strands_robots import Robot, gr00t_inference

robot = Robot("so100")  # mode="sim" by default
agent = Agent(tools=[robot, gr00t_inference])

agent(
    "Start GR00T inference on port 5555 with the cube-picking checkpoint "
    "from my_user/cube-picker. Then ask the robot to pick up the red cube."
)

内部では、エージェントがgr00t_inference(action="lifecycle", lifecycle="full", ...)を実行してGR00Tコンテナイメージを取得し、Hubからチェックポイントをダウンロードし、推論サービスを起動します。その後、policy_provider="groot"でrun_policyアクションをシミュレーション上のロボットに対して実行し、GR00Tサービスのホストとポートをpolicy_config辞書で渡します（コンテナはポート5555で到達可能）。シミュレーションはポリシーのアクションチャンクでステップし、結果のレンダリングはSimulation.render経由で取得できます。

図3. 訓練済みポリシー（GR00TまたはMolmoAct2チェックポイント）を使用すると、エージェントはSO-100を駆動してシミュレーション内で赤いキューブを把持します。Mockポリシーが代用していた動作です。

コンテナ不要、ZeroMQ (ZMQ)不要のプロセス内推論を希望する開発者は、gr00t_inferenceをHubリポジトリから読み込まれたLerobotLocalPolicyインスタンスに置き換えることができます。このプロバイダーはlerobot/組織配下の任意のモデルIDをプロセス内パスにルーティングします：

from strands_robots.policies import create_policy
policy = create_policy("lerobot/act_aloha_sim_transfer_cube_human")

LerobotLocalPolicyはACT、Diffusion Policy、SmolVLA、π0、π0.5など、LeRobot自身のポリシーレジストリがconfig.jsonから解決できるものをサポートします。Real-Time Chunkingは、rtc_configを同梱するフローマッチングポリシー（π0、SmolVLA）に対して自動的に有効になります。

NVIDIAが最近リリースしたCosmos 3も同じインターフェースのポリシープロバイダーとして利用可能で、どのプロバイダーを指定してもエージェントコードは変わりません。

注：LerobotLocalPolicyはtrust_remote_code=TrueでHugging Faceモデルを読み込みます。 STRANDS_TRUST_REMOTE_CODE=1 を設定してオプトインし、信頼できる組織のチェックポイントのみを読み込んでください。

ステップ4 — 物理ハードウェアへのポリシーデプロイ

これはステップ3と同じコードで、キーワード引数を1つ変更したものです。RobotファクトリはLeRobotのmake_robot_from_configが駆動するハードウェアバックのロボットを返します：

robot = Robot(
    "so100",
    mode="real",
    port="/dev/ttyACM0",
    data_config="so100_dualcam",
    cameras={
        "front": {"type": "opencv", "index_or_path": "/dev/video0", "fps": 30},
        "wrist": {"type": "opencv", "index_or_path": "/dev/video2", "fps": 30},
    },
)
agent = Agent(tools=[robot, gr00t_inference])

agent(
    "Start GR00T inference on port 5555 with the cube-picking checkpoint "
    "from my_user/cube-picker. Then ask the robot to pick up the red cube."
)

同じエージェントプロンプトが物理アームに対して実行されます。ハードウェアパスではLeRobotのロボット抽象化がジョイントコマンドとカメラ読み取りに使用され、ポート5555で到達可能なGR00Tコンテナがアクションチャンクを生成します。

SO-101で実行する前に、フォロワーとリーダーの両方のキャリブレーションを完了させておく必要があります。LeRobotのキャリブレーションコマンド（lerobot-calibrate）をデバイスごとに1回実行してください。ファイルは~/.cache/huggingface/lerobot/calibration/配下に配置され、ハードウェアに触れるStrandsコードパスはそこから読み取ります。キャリブレーションが不足している場合、エージェントはLeRobotドライバレイヤーからエラーを表面化します。

ステップ5 — メッシュによる複数ロボットの調整

ここまでは1台のロボットを駆動してきました。メッシュはStrands Robotsが複数台を扱う方法です。デスク上のリーダーアームが別の部屋のフォロワーアームをテレオペレーションしたり、5台のSO-101が倉庫タスクを並列に実行したり、ヒューマノイドがモバイルベースと連携したり。これらはすべてメッシュパターンです。メッシュはオープンソースのピアツーピアプロトコルであるZenoh上に構築されており、IPアドレスの管理、ディスカバリーコードの記述、ブローカーの選択は不要です。新しいロボットが起動するとすぐにメッシュ上に表示され、エージェントは一度にすべてと通信できます。

すべてのRobot()とSimulation()は自動的にZenohピアメッシュに参加します。robot_meshツールは、ディスカバリー、構造化コマンド、ブロードキャスト、緊急停止などのフリート操作のための語彙をエージェントに提供します：

agent = Agent(tools=[robot_mesh])

agent(
    "List every robot and simulation on the mesh. "
    "Then send 'go to home pose' to each one in parallel."
)

エージェントはrobot_mesh(action="peers")でローカルと検出されたピアを列挙し、robot_mesh(action="broadcast", ...)でタイムアウト付きの構造化コマンドをすべてのピアに送信します。[mesh-iot]エクストラを追加すると、AWS IoT Core経由でこのトラフィックをクロスネットワークフリートにルーティングできます。robot_meshツールのアクションリファレンスは、プロジェクトドキュメントでsubscribe、watch、inbox、構造化ピアツーピアコマンドを含む完全な語彙をカバーしています。

デフォルトでは、物理的に作動するすべてのメッシュアクションは実行前に人間の承認割り込みを一時停止します。フリート全体のブロードキャストとemergency_stop、単一ピア向けのtell、send、stopが該当します。このセットはSTRANDS_MESH_HITL_ACTIONS環境変数（all、none、またはカンマ区切りのサブセット）で調整できます。このサンプルを初めて実行すると、ターミナルにrobot_mesh-broadcast-approvalプロンプトが表示されます。y（またはyes / approve）と入力してブロードキャストを承認してください。承認はLLMのツール引数とは帯域外で配信されるため、コマンド本文に承認フラグを紛れ込ませるプロンプトインジェクションはゲートをバイパスできません。

トランスポートはエージェントコードに触れずにスケールします。内蔵のZenohメッシュが自動フォールバックです。LAN上ではZenohマルチキャストがブローカーなしでピアディスカバリーを処理し、[mesh-iot]エクストラを追加すると、クラウドフリート向けにAWS IoT Core（mTLS付きMQTT5）経由でトラフィックをルーティングします。BridgeTransportはLANとクラウドを1つのAPIの背後に集約します（STRANDS_MESH_BACKEND=bridgeで選択）。

本番フリート向けには、Armと共同開発したデバイス対応ネットワークレイヤーであるDevice Connectが、ディスカバリー、プレゼンス、構造化RPC、イベントルーティング、安全性を処理します。同じrobot_meshツールはDevice Connectが利用可能な場合はそれを経由し、そうでない場合は内蔵Zenohメッシュにフォールバックします。したがって、この記事のエージェントコードはどちらの場合も変わりません。セットアップと現在の利用可能性については、Device Connectドキュメントを参照してください。

サンプルアプリケーションの利用

完全なサンプルはGitHubのstrands-labs/robotsのexamples/lerobot/フォルダにあります。5つのステップをすべて1つのCLIスクリプト（hub_to_hardware.py）とノートブック（hub_to_hardware.ipynb）にパッケージングしています。CLIのデフォルトはMockポリシーでシミュレーションをエンドツーエンドに実行します。GPU、Docker、Hugging Face認証情報は不要です。

uv pip install "strands-robots[sim-mujoco,lerobot,mesh]"
git clone https://github.com/strands-labs/robots.git
cd robots

export STRANDS_MESH_LOCAL_DEV=1

python examples/lerobot/hub_to_hardware.py

記録されたデータセットは~/.cache/huggingface/lerobot/local/strands-cube-pick/に配置されます。ローカルに保持するのではなくHugging Face Hubにプッシュするには、書き込みスコープでHF_TOKENをエクスポートした後、--hf-user <your-user>を渡してください。ステップ3で実際の把持動作を行うには、--policy groot --checkpoint <hf_repo>（Docker + NVIDIA GPUが必要）または--policy lerobot_local --checkpoint <hf_repo>（GPUとSTRANDS_TRUST_REMOTE_CODE=1が必要）を渡してください。

ノートブック（examples/lerobot/hub_to_hardware.ipynb）は同じワークフローをセルごとに解説付きで案内します。JupyterLabで開き、シミュレーションモードで上から順に実行してください。

セキュリティ上の考慮事項

このセットアップで示したコードスニペットは、Strands RobotsとHuggingFaceをセットアップする「hello world」サンプルです。より本格的で本番環境に適したユースケースでは、ユーザーが認識すべき重要な考慮事項があります。

プロンプトインジェクション

信頼できないデータをエージェントに供給すると、信頼できないコンテキストがLLMの指示として扱われるプロンプトインジェクションにつながる可能性があります。これらのロボットが物理空間で作動することを考えると、これは追跡すべき重要なリスクです。この動作を緩和するため、開発者は信頼できるソースからのデータのみをロボットに供給するよう注意してください。すべての入力データを信頼できない場合は、開発者はエージェントが利用できるツールを制限し、安全上重要な動作をロボットが行わないようにする必要があります。

Robot Meshの認証動作

このブログのコードスニペットで共有されているSTRANDS_MESH_LOCAL_DEV=1設定は、認証やアクセス制御なしでロボットメッシュを初期化します。つまり、同じネットワーク上の任意のデバイスがロボットフリートにコマンドを送信できます。これは信頼できる開発環境では許容されますが、信頼できないネットワークや本番環境には適しません。これらのユースケースではSTRANDS_MESH_AUTH_MODE=mtlsが必要です。

フリート全体のアクションに対するオペレーター承認

robot_meshツールの物理的に作動するアクションはネットワーク上のピアに影響します。broadcastとemergency_stopはすべてのピアに到達し、tell、send、stopは単一のターゲットピアに到達します。エージェントがこれらのコマンドを自律的に（またはプロンプトインジェクション下で）発行するのを防ぐため、5つすべてはデフォルトでhuman-in-the-loop割り込みの背後にゲートされています。エージェントがゲートされたアクションを呼び出すと、Strandsランタイムはエージェントループを一時停止し、LLMのツール引数とは帯域外でオペレーターに承認を求めます。ゲートされたセットはSTRANDS_MESH_HITL_ACTIONS環境変数（all、none、またはカンマ区切りのサブセット）で調整できます。各アクションのレート制限、コマンド検証、監査ログは割り込みと並行して実行されます。エージェントループ外（生スクリプトまたはユニットテスト）では、ゲートされたアクションは閉鎖的に失敗します。

クリーンアップ

前述のワークフローはGR00Tコンテナを起動し、ハードウェア上のシリアルポートを開き、ローカルデータセットキャッシュを書き込みます。環境をクリーンな状態に戻すには：

• GR00T推論コンテナの停止： agent.tool.gr00t_inference(action="stop", port=5555)、またはlifecycle="teardown"を使用してコンテナも削除。
• シリアルポートの解放： ハードウェアパスを実行した場合はSO-101フォロワーとリーダーを切断。
• オプションでローカルデータセットキャッシュの削除： 記録されたデータセットは~/.cache/huggingface/lerobot/<repo_id>配下にあります。Hubにプッシュしたデータセットは影響を受けません。

これらの連携

この統合の中心的な設計選択は、Strands RobotsがLeRobotがすでに提供しているものを再実装しないことです。ハードウェア抽象化、キャリブレーション、データセット形式はアップストリームに残ります。Strandsは自然言語からそれらを構成可能にするAgentToolサーフェスを追加します。

2つの結果が生じます。ユーザーにとっては、Hub上のすべてのデータセットが、エージェントが変換ステップなしで拡張、ファインチューニング、デプロイできる資産になります。開発者にとっては、シミュレーションデータとハードウェアデータが単一のファイル形式を共有するため、一方用に書かれた訓練スクリプトはもう一方を変更なしで消費できます。シミュレーションと実機の境界は、デプロイの詳細であり、アーキテクチャ上の分断ではありません。

次のステップ

図4. Strands Robotsカタログはアーム、ヒューマノイド、四足歩行ロボット、手を含む幅広い機体を、同じMuJoCoシミュレーション、同じRobot()ファクトリの背後に揃えています。この記事のSO-100はそのうちの1つです。

完全なStrands Robotsドキュメントでは、ロボットカタログ、シミュレーション、ポリシープロバイダー、メッシュ、Device Connectを詳細にカバーしています。より大規模なワークロード向けに、strands-labs/robots-simリポジトリはIsaac SimやNewtonなどの重量級シミュレーションバックエンドとLIBEROベンチマークサンプルをホストしています。どちらのバックエンドもこの記事で示した同じRobot抽象化に接続するため、エージェントコードはスケールアップしても変わりません。

Apache 2.0の下でコントリビューションを歓迎します。このワークフローで何かを作成したら、何がうまくいき、何がうまくいかなかったかをissueで共有してください。SDKは開発者フィードバックが直接必要なサーフェスに届くときに最も速く改善されます。

リソース

• Strands Robots（SDK、AgentTools、Robotファクトリ）： github.com/strands-labs/robots、Apache 2.0
• Strands Robots docs（完全なドキュメント）： strands-labs.github.io/robots
• Strands Robots Sim（サンプル、シミュレーションバックエンド）： github.com/strands-labs/robots-sim
• サンプル： examples/lerobot/hub_to_hardware.pyおよびhub_to_hardware.ipynb
• How to Build Physical AI Agents: Natural Language for Real-World Robotics： Live StreamおよびBlog
• Diving Deep on Physical AI | S1E4 | Automate with NVIDIA NeMo Agent Toolkit and Bedrock AgentCore： Live Stream
• LeRobot： github.com/huggingface/lerobot — データセット、ポリシー、ハードウェアドライバ
• Strands Agents SDK： github.com/strands-agents/harness-sdk
• SmolVLA： SmolVLA
• Pi0： Pi0
• NVIDIA Isaac-GR00T N1.7： GR00T N1.7
• NVIDIA Cosmos3 Nano： Cosmos 3 Nano

著者

Cagatay CaliはAWSのResearch Engineerで、Agentic AIとロボティクスを専門としています。AIエージェントと物理ロボットを接続するインターフェースを設計し、自然言語を通じてロボットシステムを制御できるようにし、あらゆるスキルレベルのビルダーがエージェントとロボティクス開発にアクセスできるようにしています。

Sundar RaghavanはAWSのAgentic AI FoundationsチームのSr Solutions Architectです。Amazon Bedrock AgentCoreの開発者体験を主導し、SDKとCLIを所有し、フレームワークとエコシステム統合戦略を推進しています。開発者がAWS上で本番AIエージェントを構築、デプロイ、スケールする方法に焦点を当てており、現在は物理AIにその焦点を拡張し、Strands Robotsでロボティクスにも同じエージェント開発者体験をもたらすために協力しています。