跳到正文
11月19日週四
  1. DEV Community37

    測試、驗證與基準測試——第 04 章:基於模擬的驗證

    基於模擬的驗證以 MiL 和 SiL 作為機械人測試的早期驗證層,讓工程師在接觸實體硬件前評估軟件、控制邏輯、自主功能及 AI 元件。驗證架構應按測試目標選擇模擬保真度,並確保時間處理、介面語義及測試規格可追溯。記錄模擬器版本、軟件提交及隨機種子等測試資料,有助重現結果;故障注入則可測試系統面對異常時的反應。

  2. DEV Community28

    機械人網絡安全——第08章:機械人網絡安全測試 [KR]

    機械人網絡安全測試章節提出一套系統化策略,評估軟件、硬件、通訊、AI 組件及操作介面的安全控制,並涵蓋安全邊界失效可能造成的物理行為。測試範圍包括組件、整合、系統及機隊層級,並結合靜態分析、動態分析、漏洞掃描、滲透測試及模糊測試。測試環境可由模擬逐步延伸至實體機械人及受控機隊;具攻擊性的測試須配合隔離區、緊急停止及網絡隔離等安全控制。

  3. IT之家51

    馬斯克預計 Optimus 人形機械人 12-18 個月內可做家務

    馬斯克預計,Optimus 人形機械人在未來 12-18 個月內可完成倒垃圾、洗碗及把碗碟收進櫥櫃等家務。他又稱,新一輪演示可能在未來一至兩個月舉行,並表示要展示機械人在日常互動中的真實表現,而非精心編排的片段。據報道,弗裏蒙特工廠每週可生產數百台 Optimus,產量約為 2026 年第二季度的 10 倍,機械人現時主要供特斯拉內部使用,尚未交付外部客戶。

  4. 新浪科技53

    馬斯克預計 Optimus 未來 12-18 個月可做家務

    馬斯克預計,Optimus 人形機械人可在未來 12-18 個月完成倒垃圾、洗碗及把碗碟收進櫥櫃等家務。Optimus 有望在 12 至 18 個月內完成多步驟複雜操作,先用於重工業,再進入家庭。他稱新一輪演示可能在未來一到兩個月舉行,並會呈現機械人在日常互動中的實際表現,而非經過編排的片段。

  5. DEV Community26

    貨運 UAV 自主與飛行 AI — 第 04 章:UAV 自主導航

    貨運 UAV 自主導航架構連接任務意圖與即時飛行控制,透過感知、狀態估算、環境表示、規劃、軌跡生成、引導及安全監督,形成閉環導航流程。架構整合多種感測來源,按可信度調整導航來源,並在 GNSS 不可靠時轉用其他定位參考。全域與局部規劃、動態可行的軌跡及避障功能,須配合載荷、飛行性能和機動限制。

  6. DEV Community24

    貨運 UAV 自主飛行與飛行 AI——第 01 章:貨運 UAV 自主飛行基礎

    本章説明貨運 UAV 的自主飛行層級及運作概念,涵蓋由遠端飛行員持續監督,到執行任務自動化及條件式自主飛行的不同安排。自主系統須整合導航、感知、路線規劃與飛行控制,並按能源、載荷、天氣及空域限制持續評估和調整任務。安全邊界、故障應變及失聯時的預設行為,亦是自主運作的重要部分。

  7. 第一財經51

    5G+工業互聯網:工業智能體在部分行業跑通試點,規模化落地仍有障礙

    11月19日開幕的2026中國5G+工業互聯網大會展示了工業智能體試點成果;相關應用已在部分離散製造、水務及染織場景跑通,但尚未大規模普及。中國聯通在富春染織的項目稱,生產效率提升20%,設備綜合效率由75%提升至90%,訂單交付週期縮短40%。工業智能體規模化仍受工藝知識未數碼化、客製化要求及安全風險制約,具身智能進入實際產線則面對數據、硬件成本和良率難題。

  8. DEV Community28

    四足機械人軟件——第12章:四足機械人案例研究

    四足機械人案例研究以油氣廠巡檢為例,説明如何整合步行、導航、感測與營運安全,完成資產巡檢任務。機械人可融合 LiDAR、相機、IMU 和腿部里程計進行定位,並按地形調整步行;巡檢軟件則把觀測數據連結至資產、時間戳記和任務記錄。安全機制須涵蓋故障安全政策、緊急停止及危險區域的設備認證要求。

  9. DEV Community34

    四足機械人軟件——第 11 章:四足機械人軟件測試與驗證

    本章提出四足機械人軟件的漸進式驗證策略,涵蓋軟件在環(SIL)、硬件在環(HIL)、實體機械人及野外測試。SIL 用於可重複的大規模情境測試,HIL 檢查實時效能及硬件與軟件整合,實體和野外測試則驗證真實環境下的表現。驗證須追蹤需求、記錄測試條件與遙測數據,並透過故障注入、回歸測試及復原行為評估累積證據。

  10. 新浪科技57

    專訪西湖大學於開丞:通用語言模型再強,物理世界也「等不起」

    西湖大學助理教授於開丞在專訪中指出,世界模型面向連續物理空間的狀態預測,與語言模型並非替代關係。他認為,機械人控制需要即時互動,而語言模型單是推理便要兩三秒,難以滿足實時要求。Awomo-0.5 有 40 億參數,在具身智能、物理世界理解等六個國際主流評測榜單登頂,程式碼和權重均已開源。

  11. 新浪科技42

    同星科技拓展算力及機械人散熱,前景如何?

    同星科技將換熱技術拓展至數據中心液冷及具身智能機械人熱管理,液冷零部件已批量供貨,機械人散熱模組已完成小批量交付。液冷換熱模組正送樣並進行聯合整機測試,精密結構件亦已批量穩定供貨。2026年前三季度,公司收入12.48億元,按年增長36.45%。

  12. 新浪科技38

    星海圖 CEO 高繼揚稱公司陸續交付千台級模型:這個數量算多嗎?

    星海圖創辦人兼 CEO 高繼揚表示,公司已交付千台級模型驅動的真實生產力訂單。星海圖在 2026 年對訂單的公開表述一年內調整三次,9 月稱訂單規模超千台,涵蓋電商零售、工業製造及物流快遞。天眼查成交記錄包括兩筆 R1 Lite 採購,每筆 22.6 萬元,另有一筆總價 40 萬元的組合採購。

  13. 新浪科技28

    DeepWay深向正向定義硬件基座,加速 Robotruck 規模化落地

    DeepWay深向以「硬件機身、軟件平台、運營網絡」三點融合推動 Robotruck 落地,並透過正向定義整車、重構三電系統及打造多域融合 EE 架構與全車線控底盤,為自動駕駛提供硬件基座。正向定義重卡的 TCO 較傳統燃油重卡和「油改電」重卡分別降低 22.8% 和 10.8%,能量回收功率提升 20%。公司稱其 L2 訂閲率已超 30%,L2 重卡事故率較傳統重卡下降 60% 以上。

  14. 虎嗅38

    具身智能的終局玩家,可能不是機械人公司

    未來五至十年,具身智能出貨量最大的公司可能不是純機械人公司,而是兼具數據飛輪、量產能力和真實場景的車企。智能汽車與機械人的感知、決策及執行架構重合超過70%,車企亦可利用工廠提供訓練場景和數據。車企仍需與機械人公司合作,補足靈巧手和具身大模型等短板。

  15. DoNews41

    原力無限在 3 個月內完成第 4 輪融資

    原力無限完成數千萬元 Pre-B 輪融資,由杭州資本獨家投資,資金將用於具身大腦 AtomBrain 研發、深耕真實場景及產業化落地。這是原力無限 3 個月內的第 4 次融資;此前公司完成近 10 億元人民幣 A 輪、A+ 輪融資,並獲浙創投近億元投資。

  16. 阿里雲開發者社區 AI47

    董明珠向周劍喊話「你需要甚麼部件」,説出今屆 APEC 的真相

    董明珠在2026年APEC工商領導人峯會上向優必選創辦人周劍表示,可按需要提供機械人部件,凸顯企業間的供應鏈協作。峯會有21個經濟體、2000餘位政商代表及115家世界500強企業參與,並發布《深圳倡議》。與會者指出,人形機械人產業化仍面對製造、可靠性、售後服務、算力及安全等挑戰;工信部亦發布了5項相關標準。

  17. DEV Community38

    機械人學習與 AI——第 08 章:終身學習

    機械人終身學習需要持續吸收新環境和任務的知識,但深度神經網絡的災難性遺忘可能令新任務訓練覆蓋舊技能,阻礙機械人在部署後持續改進。共享網絡參數及新舊任務間的梯度衝突會加劇知識幹擾;終身學習須在吸收新資訊的靈活性與保留舊知識的穩定性之間取得平衡。

  18. DEV Community27

    機械人學習與 AI 第 03 章:自監督學習

    自監督學習透過從原始數據自動生成監督訊號,讓神經網絡無需人工標註也能學習有用的表徵,並成為機械人基礎模型與具身智能的重要技術。常見預訓練任務包括預測圖像區塊位置、圖像着色、補全缺失圖像區域及預測旋轉角度。利用連續影格的時間一致性或預測未來觀測,模型亦可學習動態環境表徵。

  19. DEV Community24

    機械人學習與 AI 第 02 章:機械人深度學習

    CNN 在機械人視覺感知中仍然重要,因為它具備計算效率高、特徵提取能力強、部署生態成熟,以及兼容嵌入式運算平台等優點。CNN 透過卷積核、局部感受野和池化操作,從圖像中逐層提取視覺特徵,適用於資源受限的邊緣裝置即時推理。ResNet 的捷徑連接讓梯度可跨越多層傳播,改善深度網絡的最佳化。

  20. DEV Community26

    機械人學習與 AI — 第 01 章:機器學習基礎

    機器學習是現代人工智能的數學與計算基礎,主要分為監督式學習、非監督式學習和強化學習。監督式學習利用帶標籤的資料學習輸入與目標輸出之間的映射,常見任務包括分類和回歸。非監督式學習則從未標記資料中發掘結構;大量未標記的機械人感測器數據,為這類學習提供了應用場景。

  21. DEV Community34

    Manipulation and Grasping AI 第 07 章:基於學習的機械操作

    基於學習的機械操作以從數據、互動和經驗中學得的策略,取代手動指定的機械人行為。文章概述模仿學習(IL)、強化學習(RL)及混合方法,説明示範可為策略提供起點,而 RL 可進一步改善策略並適應實際動態。學習亦可應用於機械操作的不同層次,從力控制到選擇操作技能。

  22. DEV Community37

    AI 操控與抓取:第 03 章——夾爪技術

    夾爪是機械人操作器與待處理物件之間的實體介面,其設計影響施力方式、物件定位精度,以及操作在不確定條件下的可靠性。文章按夾持原理介紹平行夾爪、多指夾爪、吸盤夾爪和磁力夾爪,並説明各類設計的控制方式與適用特性。多指夾爪適應性較高但控制複雜;吸盤夾爪的效果則取決於表面特性及密封質素。

  23. DEV Community37

    Manipulation and Grasping AI 第 02 章:運動學與動力學

    本章講解機械人操作與抓取中的正向運動學,説明如何根據關節變數和機械臂幾何結構,計算末端執行器的位置與方向。章節介紹齊次變換矩陣、座標系轉換及串聯機械臂的變換矩陣連乘,並概述 DH 慣例、SO(3) 和 SE(3)。正向運動學亦是逆向運動學、運動規劃、模擬、校準及機械人控制的基礎。