VLMやVLAなどの基盤モデルの発展により，多様な身体構造のロボットを視覚情報と自然言語で自律制御することが可能となった．本講演では，特にヒューマノイドロボットのUnitree G1について実機やシミュレーションを用いた遠隔操作データ収集から基盤モデルによる自律化まで，我々の開発事例と最新の研究動向を紹介する。