
3 月 2 日,雷军对外宣布,小米机器人已经开始在汽车工厂「实习」。
在自攻螺母上件工站,机器人连续自主运行 3 小时,双侧同时安装成功率达到 90.2%,并满足最快 76 秒的产线生产节拍要求。
与此同时,雷军还给出了一个更长期的判断:「未来 5 年会有大批量人形机器人进入小米工厂干活。」
单看机器人拧螺丝这件事,其实并不新鲜,因为很多机器人都可以做到。但关键是机器人被放到了节拍体系里讨论,这也是雷军强调的重点。
机器人做一万次每次都能成功,并且速度达标,才能满足工厂的具体需求。因为成熟的整车产线高度串联,只要某个工位超时,下游工位就必须等待,最终影响的是整线产能。
所以对于工厂来说,76 秒的意义,更在于它开始进入真实生产系统的时间框架。
展开剩余86%如何满足生产节拍?
在汽车产线上,节拍属于一个系统协同的问题。机器人要满足 76 秒节拍,最重要的就是要把决策、轨迹生成、控制求解和异常修正的时间全部压缩进可预测的时间窗口内,并且保持任务稳定执行。
通俗来讲,满足生产节拍的核心,关键在于稳定可控的计算与执行延迟与成功率。所以在汽车产线中,机器人的底层架构设计,必须围绕工业节拍去构建。
正是在这样的前提下,小米选择以统一的 VLA 基座模型 Xiaomi-Robotics-0 作为核心框架。
具体来看,Xiaomi-Robotics-0 采用了 Mixture-of-Transformers(MoT)架构,主要是在通用理解与精细控制之间做平衡。
其中视觉语言大脑负责环境语义建模与任务约束理解,动作执行小脑则通过 Diffusion Transformer 生成连续「动作块」(Action Chunk),而不是逐步输出单帧控制指令。这种「动作块」生成方式的意义在于,它减少了频繁重规划的次数,使高频控制阶段更加平滑,有助于压缩时间波动。
具体到在这次汽车产线实习的落地阶段,小米在 VLA 基座之上叠加强化学习训练,使机器人能够在复杂工况下自适应调整。
在这里,强化学习的价值更在于出现微小偏差时能够快速收敛,而不是反复试错。因为对于节拍制产线而言,异常修正时间往往比正常执行时间更关键。
总体来看,这一体系也可以概括为三个方向:统一动作空间、VLA 与强化学习联合训练、多模态信息融合。
用多模态感知来提高成功率
对于自攻螺母上件的场景,多模态感知几乎是必要条件。
因为它包含对位、预压、嵌合、扭矩控制等多个环节,是一个强接触、高精度、双臂协同的复合动作。并且在双侧同步安装的情况下,一侧微小误差都会影响整体节奏。
所以小米选择的这个场景,也相当具备代表性,它可以同时验证机器人的感知、决策和精细操作能力。
在这个环节中,小米选择融合机器人的视觉、触觉以及关节本体感知等多模态信息,形成综合的感知信息输入。
值得一提的是,在感知层面,此前小米也发布了一个基于触觉的抓取微调模型 TacRefineNet,核心是提高机器人精细作业的能力。
在多模态感知中,TacRefineNet 能够起到「精细校正」的作用。它可以通过触觉信号检测抓取对象的姿态、接触压力和微小偏移,并生成对应的微调动作,使机器人在旋拧或放置过程中能够自动补偿抓取误差。这也是机器人在具体部署时,提高作业成功率的关键。
而在作业过程中,视觉负责提供空间定位与目标识别,触觉用于判断接触状态和受力情况,本体感知保障动作轨迹的连续性与稳定性。
通过多模态感知协同,机器人能够在高接触密度场景下实时校正微小的偏差,维持连续作业的稳定性。
这种做法其实也和人类干活时的逻辑相似,工人先用视觉确认大致位置,再通过手指感知判断是否贴合,同时依靠手腕和手臂的本体感觉调整动作。
另外,在关乎机器人干活稳定性的全身运动控制上,小米则是采用了融合优化控制与强化学习的混合架构,其中,优化控制器基于二次规划,能以 < 1 ms 的响应速度严格锁定「平衡 > 安全 > 任务」的优先级;而强化学习控制器则依托上亿次仿真训练,让机器人具备对抗极端干扰的能力。
为什么是螺母、料箱和徽标?
除了自攻螺母,小米还在料箱搬运与前徽标安装等场景开展部署验证。
其中,料箱搬运属于优先替代场景。结构清晰、动作标准化,投资回报的路径也相对明确。
所以对工厂而言,这也是风险最低的导入方式。也正因为如此,机器人企业在尝试进入工厂时,搬运场景基本都是必选项。比如此前智元就在富临精工的工厂中,尝试用机器人来搬运料箱。
前徽标安装更偏向精度验证,它对视觉定位与微调能力要求较高,但接触复杂度仍在可控范围内,是从搬运过渡到核心装配的中间层级。
而自攻螺母则属于强接触装配,叠加节拍刚性约束,是更高难度的工业场景。
所以,从搬运到精度任务,再到强接触装配,这是一条逐步逼近产线核心工序的路径。
汽车厂商走的是另一条路线
其实技术之外,在机器人领域,更值得关注的是小米本身的身份。
与多数纯机器人创业公司不同,小米拥有自己的汽车制造体系。这意味着机器人可以在自家真实产线中长期运行、反复优化。
而机器人在工厂中的落地,更需要长周期的运行数据,包括故障率、维护成本、节拍波动情况等,这些往往只有在自有场景中才能完整积累。
这条路径,也与马斯克在特斯拉内部验证人形机器人的思路类似,即先在自家工厂打工,再谈对外推广。
毕竟对于汽车企业而言,汽车制造工厂本身就是最天然的机器人应用场景,再加上供应链和技术层面的相似性,所以他们也在近一年内加速布局机器人业务。比如此前推出了新一代 IRON 机器人的小鹏、重启人形机器人研发的理想。
因此,在机器人的数据规模和模型调校逐步适应节拍体系,并控制好稳定性的基础上,未来汽车工厂很可能成为人形机器人规模化落地的第一站。
从这个层面看,汽车企业的下场,反而会是机器人走向规模部署的起点。所以,当下的机器人行业配资门户网官网网站,可能还没走到最热闹的时候。
发布于:上海市利好配资提示:文章来自网络,不代表本站观点。