人形机器人进化:首先"卷"向一双手
熊坤： 目前，客户选择灵巧手时主要参考三大类指标：第一是性能，第二是产品的可靠性和质量，第三是价格。
性能是第一道门槛。性能指标又包括感知能力、触觉传感器的类型和布置方式。例如，采用一维还是三维触觉传感器，传感器如何布置，以及产品的指尖力、重复定位精度、主动自由度配置、整体尺寸和重量等。
通过这些基本参数，客户可以判断一款灵巧手能否满足具体场景的需求。
产品性能满足要求后，客户还会进一步考察产品可靠性和成本，测算整体投资回报率。最终，客户会综合这些方面选择相应的灵巧手产品。
问： 很多厂商会强调自由度、负载、重复定位精度和触觉传感器配置。对于真正的工业客户来说，哪些参数会直接决定一款灵巧手能不能进入生产线？
熊坤： 首先还是要看它能否完成具体任务。自由度、负载、尺寸和重量决定了灵巧手的基本操作边界，重复定位精度和指尖力会影响实际操作的准确性。
其次是感知能力。不同传感器的类型和布置方式，会影响灵巧手对接触力、物体状态以及操作过程的判断。
再往后就是稳定性和可靠性。一款灵巧手即使能够完成单次任务，如果无法在生产线上长时间连续工作，也很难真正进入工业场景。
最后还要看成本和投资回报率。客户也会综合计算，比如采购成本、维护成本、效率提升以及能够替代多少人工等方面，判断产品是否具备实际应用价值。
04 机器人越来越聪明，为什么一“动手”就容易失误
问： 今年不少具身智能企业都在强调大模型、VLA和世界模型，但机器人落实到精细操作时仍然比较困难。你认为机器人“大脑”和“手”之间最大的能力落差体现在哪里？
熊坤： 灵巧手是人形机器人与物理世界接触最频繁的末端，需要采集大量来自外部世界的信息，而且这些信息包含多个模态。
例如，灵巧手需要获取抓取时的力觉信息，还要感知物品的纹理、软硬程度、材质以及温度等。现有的大量传感器往往只能反映单一的力觉信息。
因此，第一个难点，是如何高质量地获取灵巧手或者人手与物品接触时产生的大量动态、多模态信息。我认为，这是提升灵巧操作大模型和世界模型操作能力的关键。
第二个难点，是获得这些数据以后，如何利用数据训练灵巧手和人形机器人完成实际操作，涉及模型架构设计。
第三个难点，是模型训练完成后的迁移问题，包括如何缩小Sim-to-Real，也就是仿真环境与现实环境之间的差距。我认为，目前主要存在这三个方面的难题。
问： 灵巧操作涉及力觉、触觉、材质、温度和物体形变等多模态信息。目前最大的瓶颈，是缺少高质量数据，还是模型还无法充分理解和利用这些数据？
熊坤： 两方面的问题都存在。
首先，灵巧操作的高质量数据本身比较难获取。机器人在接触物体时，力的变化、接触位置、物体形变以及材质信息都在持续变化，这类动态、多模态数据的采集难度很高。
其次，即使获得了数据，如何设计合适的模型架构，让模型真正理解这些信息，并将其转化为具体操作能力，也是一项挑战。
因此，数据和模型需要同步推进。只有数据采集能力提升，模型才能获得更丰富的训练基础；模型架构持续演进，也才能更有效地使用这些数据。
问： 目前行业正在尝试数据手套、遥操作和无本体采集等不同方案。你认为，什么样的数据采集方式最有可能成为灵巧操作数据的主流方案？
熊坤： 目前已经涌现出很多尝试，希望以更低成本的方式，高质量地获取灵巧操作数据，包括数据手套、遥操作设备以及无本体采集方案等。
未来可能很难依靠单一方式解决所有问题。不同采集方式各有特点，有些方式更适合大规模获取人类操作数据，有些方式更适合采集机器人本体执行任务时的真实反馈。
行业最终可能会形成多种方式结合的数据采集体系，在成本、数据质量、任务覆盖范围和迁移效率之间取得平衡。
05 从递一杯水到叠一件衣服，中间差了多少技术
问： 不同场景对灵巧手的要求差异很大。例如迎宾、递送等交互场景，与家庭整理、厨房作业等复杂场景，是否需要完全不同的产品定义？
[物价飞涨的时候 这样省钱购物很爽]
还没人说话啊，我想来说几句
性能是第一道门槛。性能指标又包括感知能力、触觉传感器的类型和布置方式。例如，采用一维还是三维触觉传感器，传感器如何布置，以及产品的指尖力、重复定位精度、主动自由度配置、整体尺寸和重量等。
通过这些基本参数，客户可以判断一款灵巧手能否满足具体场景的需求。
产品性能满足要求后，客户还会进一步考察产品可靠性和成本，测算整体投资回报率。最终，客户会综合这些方面选择相应的灵巧手产品。
问： 很多厂商会强调自由度、负载、重复定位精度和触觉传感器配置。对于真正的工业客户来说，哪些参数会直接决定一款灵巧手能不能进入生产线？
熊坤： 首先还是要看它能否完成具体任务。自由度、负载、尺寸和重量决定了灵巧手的基本操作边界，重复定位精度和指尖力会影响实际操作的准确性。
其次是感知能力。不同传感器的类型和布置方式，会影响灵巧手对接触力、物体状态以及操作过程的判断。
再往后就是稳定性和可靠性。一款灵巧手即使能够完成单次任务，如果无法在生产线上长时间连续工作，也很难真正进入工业场景。
最后还要看成本和投资回报率。客户也会综合计算，比如采购成本、维护成本、效率提升以及能够替代多少人工等方面，判断产品是否具备实际应用价值。
04 机器人越来越聪明，为什么一“动手”就容易失误
问： 今年不少具身智能企业都在强调大模型、VLA和世界模型，但机器人落实到精细操作时仍然比较困难。你认为机器人“大脑”和“手”之间最大的能力落差体现在哪里？
熊坤： 灵巧手是人形机器人与物理世界接触最频繁的末端，需要采集大量来自外部世界的信息，而且这些信息包含多个模态。
例如，灵巧手需要获取抓取时的力觉信息，还要感知物品的纹理、软硬程度、材质以及温度等。现有的大量传感器往往只能反映单一的力觉信息。
因此，第一个难点，是如何高质量地获取灵巧手或者人手与物品接触时产生的大量动态、多模态信息。我认为，这是提升灵巧操作大模型和世界模型操作能力的关键。
第二个难点，是获得这些数据以后，如何利用数据训练灵巧手和人形机器人完成实际操作，涉及模型架构设计。
第三个难点，是模型训练完成后的迁移问题，包括如何缩小Sim-to-Real，也就是仿真环境与现实环境之间的差距。我认为，目前主要存在这三个方面的难题。
问： 灵巧操作涉及力觉、触觉、材质、温度和物体形变等多模态信息。目前最大的瓶颈，是缺少高质量数据，还是模型还无法充分理解和利用这些数据？
熊坤： 两方面的问题都存在。
首先，灵巧操作的高质量数据本身比较难获取。机器人在接触物体时，力的变化、接触位置、物体形变以及材质信息都在持续变化，这类动态、多模态数据的采集难度很高。
其次，即使获得了数据，如何设计合适的模型架构，让模型真正理解这些信息，并将其转化为具体操作能力，也是一项挑战。
因此，数据和模型需要同步推进。只有数据采集能力提升，模型才能获得更丰富的训练基础；模型架构持续演进，也才能更有效地使用这些数据。
问： 目前行业正在尝试数据手套、遥操作和无本体采集等不同方案。你认为，什么样的数据采集方式最有可能成为灵巧操作数据的主流方案？
熊坤： 目前已经涌现出很多尝试，希望以更低成本的方式，高质量地获取灵巧操作数据，包括数据手套、遥操作设备以及无本体采集方案等。
未来可能很难依靠单一方式解决所有问题。不同采集方式各有特点，有些方式更适合大规模获取人类操作数据，有些方式更适合采集机器人本体执行任务时的真实反馈。
行业最终可能会形成多种方式结合的数据采集体系，在成本、数据质量、任务覆盖范围和迁移效率之间取得平衡。
05 从递一杯水到叠一件衣服，中间差了多少技术
问： 不同场景对灵巧手的要求差异很大。例如迎宾、递送等交互场景，与家庭整理、厨房作业等复杂场景，是否需要完全不同的产品定义？
[物价飞涨的时候 这样省钱购物很爽]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 |
推荐: