跳到正文

#具身智能

今日 2 條
今天11月22日週日2 則
  1. Numerama29

    Vroom 本週回顧:兩輛 Tesla 使用 FSD 時受困、Tesla 與 MG4 德國驗車表現欠佳,錯誤觀念阻礙電動車購買

    兩輛使用受監督 FSD 的 Tesla 在斯洛文尼亞山路面對面時陷入反覆調頭的困局,駕駛者須接手控制。TÜV 2027 年檢驗中,Model Y 的複驗率為 18.5%,MG4 為 16%;MG4 有 10.3% 的受檢車輛煞車碟生鏽或故障。調查涵蓋 34 個國家的駕駛者,74% 認為錯誤觀念是採用電動車的主要阻礙。

11月21日週六
  1. DEV Community39

    人形機械人的低延遲,代價在訓練階段支付

    預印本《Beyond Retargeting》提出一種人形機械人控制策略,將原始人體動作直接映射為機械人關節指令,省去即時動作重定向。該策略在 Unitree G1 模擬環境及硬件上測試,作者報告其延遲和穩健性均優於比較基線。省下的即時轉換工作轉移至訓練階段,控制效果取決於動作數據對不同體型、速度及感測條件的涵蓋。

  2. 第一財經50

    機械人低質數據氾濫:劣質數據如何產生

    覓蜂科技真機操作團隊分析逾20萬小時真機數據及2萬多項任務記錄,指出觀測畫面缺少決策依據會令訓練數據失效。積木拾取試驗中,操作員與機械人同視角觀察,模型操作準確率由約50%升至100%。EGO數據亦有重複、與用戶需求不匹配及同質化等問題。

  3. 新浪科技51

    機械人低質數據泛濫:低質數據如何產生

    機械人訓練數據低質的成因包括觀測未涵蓋動作決策依據、EGO 數據重複或與需求不匹配,以及仿真對流體和柔性體的精度不足。文中引用的積木拾取對照顯示,以操作員與機械人同視角觀察的數據訓練模型,手臂操作準確率由約 50% 提高至 100%。姚卯青表示,市場上有企業購入 100 萬小時數據後,最終只有 10% 至 20% 可用。

  4. IT之家49

    智元精靈 G2 機械人部署手機測試產線,智元創新與藍思科技達成戰略合作

    智元創新(AGIBOT)與藍思科技達成戰略合作,在手機測試產線部署數十台智元精靈 G2 機械人,負責測試工位上下料及與測試設備互動。精靈 G2 可轉運手機產品、智能分撥及上下料,並兼容多條作業產線;官方稱,本次部署已跑通工藝適配、產線聯調及交付落地全鏈路。

  5. 新浪科技51

    智元創新(AGIBOT)與藍思科技達成戰略合作,部署智元精靈 G2 機器人

    智元創新(AGIBOT)與藍思科技達成戰略合作,在手機測試產線部署數十台智元精靈 G2 機器人,執行測試工位自動上下料及與測試設備互動等工作。部署聚焦手機 MMI、ANT、CAM、CAMCV 等測試;官方表示,項目已跑通工藝適配、產線聯調和交付落地全流程,並沉澱標準化交付流程與項目實施體系。

  6. IT Square · AI52

    人工智慧清潔水箱機械人奪得2026香港資訊及通訊科技獎兩項大獎

    建築署、機電工程署、房屋署、房屋協會及香港智能建造研發中心共同研發的「人工智慧清潔水箱機械人」,奪得2026香港資訊及通訊科技獎「商業方案大獎」及「全年大獎」。機械人設有AI鏡頭分析水缸污垢,最快1小時可清潔一個1萬公升水缸。工人可在水缸外透過平板電腦觀察清潔情況,減低進入密閉空間作業的風險。

  7. DEV Community34

    《移動操作機械人項目與開發手冊》第 07 章:現場驗證

    第 07 章説明如何在移動操作機械人的目標運作環境中進行現場驗證,以確認系統的可靠性、安全性和一致性,並取得足以證明系統已準備部署的量化證據。驗證須以明確的運作設計領域、可量度的接受準則及循序漸進的測試為基礎,涵蓋導航、感知、操作、安全、人機互動和長時間運作。同步收集運作數據並記錄故障,有助分析根本原因及核實修正措施。

  8. DEV Community35

    移動操作機械人項目與開發手冊——第 06 章:測試

    本章提出移動操作機械人的測試策略,涵蓋功能、性能、可靠性及安全性,並主張從需求工程階段開始制定測試要求。測試應結合風險評估,逐步驗證部件、子系統及整個系統,並涵蓋模擬、硬件、人工智能、操作任務與安全。自動化測試、回歸測試和測試治理則用於維持可追溯性、管理缺陷及記錄驗證結果。

  9. DEV Community30

    移動操作機械人項目與開發手冊——第 03 章:硬件開發 [KR]

    《Mobile Manipulator Projects and Development Manual》第 03 章梳理移動操作機械人的硬件開發流程,涵蓋需求分析、系統架構及概念設計。內容涉及 AMR 底座、機械臂、末端執行器、電池、感測器、電氣及嵌入式系統的設計,並説明如何運用 CAD、CAE 和模擬進行設計評估,再製作原型及開展硬件驗證。

  10. DEV Community29

    移動操作機械人項目與開發手冊——第 01 章:需求 [KR]

    本章説明如何為移動操作機械人制定產品願景,確立目標應用、客戶營運價值、自主程度、產品差異化及可擴展平台方向。產品願景須平衡技術抱負、工程可行性與商業持續性,並將安全、可靠性及產品生命週期納入考量。章節亦提出按技術成熟度推進商業化,並透過跨職能協作把願景轉化為開發策略。

  11. DEV Community31

    移動操作機械人項目與開發手冊——第10章:案例研究

    第10章以倉庫移動操作機械人項目為案例,説明如何整合自主移動、機械操作、人工智能及工業自動化;案例用作示範手冊中的開發方法,並非特定商業安裝項目的成果。內容涵蓋需求分析、系統架構、感知與操作、倉庫系統整合及安全設計。驗證由組件測試延伸至整合場景,並納入通道受阻、抓取失敗及通訊中斷等情況。

  12. DEV Community24

    Physical AI 商業與工業應用——第 00 章:導言

    Physical AI 讓人工智能從處理數碼資訊,進一步發展為能感知物理世界、推理並採取實際行動的智能系統;其工業價值取決於能否穩定融入完整工作流程,並帶來可衡量的營運成果。章節探討製造、物流、醫療、農業、建築及家居等應用,並指出評估成效須兼顧技術表現、營運成本、可靠性及投資回報。

  13. DEV Community29

    Physical AI 商業及行業應用——第 01 章:Physical AI 市場概況

    Physical AI 市場涵蓋能感知、理解並與物理世界互動的智能系統,透過自主移動、操作、檢查及運輸等實際行動創造經濟價值。市場範圍包括自主移動機械人、機械臂、人形機械人、四足機械人及空中機械人等。產品商業表現取決於技術能力、應用要求和經濟價值,也受可靠性、安全、能源效率及環境適應能力影響。

  14. DEV Community23

    Physical AI 商業與產業應用 — 第 00 章:引言

    Physical AI 將人工智能由處理數碼資訊,延伸至能在物理世界感知、推理和行動的智能系統;其產業價值取決於能否帶來可衡量的營運改善。製造、物流、醫療、農業、建築及家居等應用,須結合技術表現與產量、成本、可用性及投資回報等業務成果評估。可靠運作、融入現有工作流程及長期維持高可用性,是實現商業價值的關鍵。

  15. 新浪科技31

    機器人迎賓,國博鳳冠亮相廣州文交會

    2026廣州文化產業交易會於11月20日在中國進出口商品交易會展館D區開幕,迎賓機器人與國博鳳冠亮相。展會吸引500餘家境內外展商參展,並將持續至11月22日;開幕首日,廣州文化產業交易服務平台正式發布,覆蓋五大領域並提供一站式交易服務。

11月20日週五
  1. DEV Community29

    Physical AI 四引擎 MLOps 管線的架構設計:影子驗證與漂移緩解

    Physical AI 生產環境可採用四引擎邊緣 MLOps 架構,監測模型漂移、驗證更新並維持確定性控制。識別、感測、AI 決策及行動引擎分別處理資產定位、感測資料完整性、影子驗證與設備決策。更新分為低風險全自動、中風險須工程師確認,以及高風險受控並可安全停機。

  2. 雷鋒網32

    靈掌機器人太空靈巧手亮相世界智能製造博覽會

    靈掌機器人在世界智能製造博覽會亮相太空靈巧操作系統 LZ-Space,並展出全系列9款靈巧手產品。LZ-Space整合機械臂、五指靈巧手及遠程操作系統,已完成衞星飛船上裝測試,並通過振動、模擬太空真空環境冷熱循環及輻照試驗。面向自主操作能力升級的 LZ-SpacePro 預計2027年初推出。

  3. Unite.AI49

    ARCS∙ai 開設共享 ARPI 中心,培訓 Physical AI 人才

    ARCS∙ai 在葉裏温開設共享 ARPI 中心,整合三所亞美尼亞大學的師資、學生和設備,目標是每年培養 50 名專業工程師。首學期有 30 名本科生修讀為期三個學期的 Physical AI 副修課程,九門課程涵蓋機械人力學、控制與估算、強化學習、數碼孿生及 Physical AI 倫理與管治。

  4. DEV Community26

    Robot Foundation Models and VLA:跨具身遷移

    Robot Foundation Models and VLA 的第 08 章探討跨具身遷移,説明如何讓不同機械人之間共享可重用的任務知識,同時按各自的形態、感知與控制能力調整執行方式。跨平台資料可擴大學習經驗,並讓新硬件透過針對性適配,而非從頭訓練,沿用已有知識。

  5. DEV Community30

    機械人基礎模型與 VLA — 第07章:實體 AI 的測試時運算與推理

    本章闡述實體 AI 如何在接收新觀察或任務後、採取行動前,增加推理運算以理解情況、比較候選行動並遵守任務與安全限制。系統可利用世界模型預測候選行動的後果,並按不確定性、風險及任務複雜度調整運算量。由於機械人受延遲限制,測試時運算須平衡推理品質與回應速度。

  6. DEV Community33

    機械人基礎模型與 VLA — 第05章:動作 Token 化 [KR]

    動作表示為機械人基礎模型與 VLA 建立多模態語義表示至馬達指令的橋樑,讓模型能預測並學習可執行的實體行為。連續控制向量保留精細控制資訊,但較難融入以 token 為基礎的架構;離散化則可把動作轉成 action token,方便模型以類似語言模型的方式預測,但會引入量化誤差。

  7. DEV Community30

    機械人基礎模型與 VLA——第 04 章:視覺語言行動模型 [KR]

    VLA 模型以視覺、語言及其他感測訊號為輸入,將多模態理解轉化為可執行的機械人行動,補足 VLM 只理解環境、但不直接指定動作的限制。VLA 訓練以包含觀察、指令和對應行動的機械人軌跡為基礎,並須利用時間脈絡反映任務進展。實際系統可採用分層架構,讓基礎模型預測與軌跡生成器、運動規劃器、控制器及安全機制協作。