آخرین به روزرسانی: ژوئن 12 ، 2026

هوش مصنوعی تجسم‌یافته در رباتیک صنعتی: چگونه مدل‌های بینایی-زبان-عمل، برنامه‌نویسی ربات را تغییر می‌دهند

هوش مصنوعی تجسمی به هوش ماشینی اشاره دارد که محیط خود را از طریق حسگرها درک می‌کند، در مورد آنچه می‌بیند استدلال می‌کند و اقدامات فیزیکی ایجاد می‌کند، همه در یک مدل واحد. در رباتیک کارخانه، این موضوع اهمیت دارد زیرا یک مدل بینایی-زبان-عمل (VLA) می‌تواند یک دستورالعمل کلامی را تفسیر کند، یک بخش ناآشنا را شناسایی کند و یک توالی دستکاری را بدون برنامه‌نویسی خط به خط اجرا کند. از سال 2026، چندین پلتفرم تحقیقاتی از نمایش‌های آزمایشگاهی به نمونه‌های اولیه صنعتی تبدیل شده‌اند و نحوه تفکر مهندسان در مورد اتوماسیون انعطاف‌پذیر را تغییر داده‌اند. برای جهت‌گیری سطح محصول EVST در مورد ربات‌های انسان‌نما، دست‌های ماهر، ربات‌های چهارپا و جمع‌آوری داده‌های هوش مصنوعی تجسمی، به راهکارهای هوش مصنوعی تجسمی EVST.

آخرین به روزرسانی: ژوئن 12 ، 2026

-

تکامل برنامه‌نویسی ربات: از مدل‌های آویز آموزشی تا مدل‌های بنیادی

برنامه‌نویسی ربات‌های کارخانه‌ای چهار نسل قابل تشخیص را پشت سر گذاشته است که هر کدام محدودیت متفاوتی را در مقابل قابلیت متفاوتی مبادله کرده‌اند.

نسل اول بر اساس سیستم تعلیق هدایت می‌شد. یک مهندس، ربات را محور به محور به هر نقطه مسیر هدایت می‌کرد، موقعیت‌ها را ثبت می‌کرد و آنها را در یک برنامه حرکتی ذخیره شده در کنترلر، جمع می‌کرد. اصلاح مسیر پس از تغییر خط به معنای آموزش مجدد هر نقطه مسیر به صورت دستی بود. برای تولید با حجم بالا و هندسه ثابت (به عنوان مثال، جوشکاری بدنه خودرو) این رویکرد به خوبی کار می‌کرد. برای هر چیزی که نیاز به تغییرات مکرر محصول داشت، پرهزینه بود.

ابزارهای برنامه‌نویسی آفلاین (OLP) مانند RoboDK، KUKA.Sim و ABB RobotStudio در دهه 1990 از راه رسیدند و به مهندسان این امکان را دادند که مسیرهای ربات را در یک محیط CAD سه‌بعدی تعریف کنند و کد را برای برندهای مختلف کنترلر پس‌پردازش کنند. زمان راه‌اندازی از چند روز به چند ساعت کاهش یافت و بهینه‌سازی مسیر قبل از اولین چرخه فیزیکی امکان‌پذیر شد. شکاف بین مدل شبیه‌سازی شده و نصب فیزیکی (خطای کالیبراسیون، افت کابل، تلرانس‌های فیکسچر) همچنان یک نقطه ضعف مداوم بود، اما OLP همچنان رویکرد استاندارد برای اکثر سلول‌های تولیدی امروزی است.

کتابخانه‌های مهارت به عنوان موج سوم ظهور کردند. فروشندگان و یکپارچه‌سازان، عناصر اولیه حرکت قابل استفاده مجدد، مهارت bin-pick، مهارت درج peg-in-hole، مهارت seam-sealed را بسته‌بندی کردند که می‌توانستند با پارامترها پیکربندی شوند تا اینکه از ابتدا دوباره برنامه‌ریزی شوند. به عنوان مثال، bin-pick با هدایت بینایی، از یک پروژه سفارشی چند ماهه به یک ماژول قابل پیکربندی تبدیل شد. با این حال، هر مهارت باید به صراحت نوشته می‌شد و مهارت‌ها تعمیم نمی‌یافتند: یک مهارت bin-pick که روی هندسه یک قطعه آموزش داده می‌شد، روی شکل قطعه‌ای که به طور قابل توجهی متفاوت بود، شکست می‌خورد.

مدل‌های VLA نمایانگر موج چهارم هستند. به جای رمزگذاری رفتار به عنوان نقاط مسیر صریح یا پارامترهای اولیه، مدل‌های VLA از مجموعه داده‌های بزرگ نمایش‌های ربات و داده‌های بصری عمومی یاد می‌گیرند که چگونه جفت‌های (تصویر، دستورالعمل زبان) را مستقیماً به خروجی‌های (عمل ربات) نگاشت کنند. این مدل به روش‌هایی که کتابخانه‌های مهارت نمی‌توانند، در بین اشیاء، شرایط نوری و عبارات دستورالعمل تعمیم می‌یابد، زیرا تعمیم به جای کدگذاری دستی، در وزن‌ها گنجانده شده است.

شکاف جبرگرایی در محیط‌های صنعتی اهمیت دارد. یک برنامه‌ی Teach-Pendant دقیقاً همان مسیر را در هر چرخه اجرا می‌کند؛ یک مدل VLA در هر مرحله‌ی استنتاج، توزیع عمل را نمونه‌برداری می‌کند. برای کارهایی که تغییر چرخه به چرخه قابل قبول است (انتخاب آیتم‌های با چیدمان تصادفی)، این قابل مدیریت است. برای کارهایی که تکرارپذیری زیر میلی‌متری در هزاران چرخه مورد نیاز است، روش‌های کلاسیک یک مزیت ساختاری را حفظ می‌کنند که توسعه‌دهندگان VLA به طور فعال برای بستن آن تلاش می‌کنند.

-

مدل‌های VLA چیستند: معماری به زبان ساده

مدل بینایی-زبان-عمل، یک شبکه عصبی است که مشاهدات بصری و دستورالعمل‌های زبان طبیعی را به عنوان ورودی دریافت کرده و اقدامات ربات را به عنوان خروجی تولید می‌کند، یک مدل یکپارچه به جای یک خط لوله از ماژول‌های بینایی، برنامه‌ریزی و کنترل جداگانه.

سه جزء معماری عبارتند از:

رمزگذار بینایی. یک مبدل بینایی (ViT) از پیش آموزش‌دیده یا ستون فقرات کانولوشنی، تصاویر دوربین را پردازش کرده و آنها را به نمایش‌های متراکم از ویژگی‌ها کدگذاری می‌کند. در اکثر طرح‌های VLA فعلی، این رمزگذار از یک مدل زبان بینایی (VLM) بزرگ مقداردهی اولیه شده و سپس بر اساس داده‌های ربات تنظیم دقیق می‌شود. استفاده از یک ستون فقرات از پیش آموزش‌دیده مهم است زیرا به مدل، پیش‌زمینه‌های بصری کلی می‌دهد و قبل از اینکه حتی نمایش ربات را ببیند، درک می‌کند که یک جعبه چیست، یک دسته چه شکلی است.

رمزگذار زبان. یک مبدل متن، دستورالعمل ("بلوک قرمز را انتخاب کن و آن را در سطل سمت چپ قرار بده") را به یک توالی توکن رمزگذاری می‌کند که سپس با ویژگی‌های بصری به صورت متقاطع بررسی می‌شود. توجه متقاطع در اینجا به این معنی است که مدل می‌تواند با توجه به آنچه دستورالعمل از او می‌خواهد، به بخش‌هایی از تصویر که بیشترین ارتباط را دارند، نگاه کند. این مدل، بینایی و زبان را در بخش‌های جداگانه پردازش نمی‌کند.

سر اکشن. نمایش ترکیبی به صورت اعمال ربات رمزگشایی می‌شود. اعمال ممکن است به صورت دلتاهای عملگر نهایی (حرکت دادن گیره ۲ سانتی‌متر به سمت راست، بستن گیره)، زوایای مفصل یا تکه‌های عمل توکنیزه شده نمایش داده شوند. توکنیزه کردن اعمال، با در نظر گرفتن یک سطل عمل گسسته به عنوان یک توکن زبان، همان چیزی است که به کارهای اولیه VLA اجازه داد تا معماری‌های LLM موجود برای رباتیک را بدون ساخت یک رمزگشای عمل جدید از ابتدا، به دقت تنظیم کنند. طرح‌های جدیدتر از سرهای عمل مبتنی بر انتشار استفاده می‌کنند که مسیرهای هموارتر و پیوسته‌تری تولید می‌کنند و توزیع‌های عمل چندوجهی را بهتر از طبقه‌بندی توکن خالص مدیریت می‌کنند.

آموزش از پایه، شبیه‌سازی رفتار را دنبال می‌کند: مدل برای تقلید از نمایش‌های متخصص از طریق یادگیری نظارت‌شده روی جفت‌های (مشاهده، عمل) آموزش داده می‌شود. برخی از سیستم‌ها، یادگیری تقویتی از بازخورد انسانی (RLHF) یا یادگیری تقویتی آنلاین را در شبیه‌سازی لایه‌بندی می‌کنند تا استحکام را فراتر از آنچه تقلید به تنهایی می‌تواند به دست آورد، بهبود بخشند. شکاف شبیه‌سازی به واقعیت، افت عملکرد هنگام انتقال یک سیاست آموزش‌دیده در شبیه‌سازی به یک ربات فیزیکی، همچنان یکی از فعال‌ترین مسائل تحقیقاتی است. تصادفی‌سازی دامنه (بافت‌ها، نورپردازی، حالت‌های اشیاء و پارامترهای فیزیکی به طور تصادفی در طول آموزش شبیه‌سازی تغییر می‌کنند) پرکاربردترین تکنیک کاهش است.

-

نقاط عطف کلیدی تحقیق

حوزه VLA به سرعت در حال پیشرفت بوده است. جدول زیر پلتفرم‌هایی را که تا اوایل سال 2026 بیشترین ارجاع را در مباحث رباتیک صنعتی داشته‌اند، پوشش می‌دهد.

مهندسانی که کاربردپذیری صنعتی را ارزیابی می‌کنند، باید به چند نقطه عطف توجه بیشتری داشته باشند.

RT-2، که در مقاله 2023 با عنوان «RT-2: مدل‌های بینایی-زبان-عمل، دانش وب را به کنترل رباتیک منتقل می‌کنند» (Brohan و همکاران، Google DeepMind) شرح داده شده است، نشان داد که مدلی که از یک ستون فقرات از پیش آموزش‌دیده بینایی-زبان (PaLI-X، PaLM-E) مقداردهی اولیه شده است، می‌تواند استدلال نوظهور را نشان دهد و وظایفی را که هرگز به صراحت در مورد آنها آموزش ندیده بود، با ترکیب مفاهیم آموزش در مقیاس وب انجام دهد. این مقاله نشان داد که مقیاس مدل با تعمیم‌پذیری همبستگی دارد، که علاقه صنعت را به استفاده از مدل‌های بنیادی بزرگ به عنوان ستون فقرات سیاست ربات تسریع کرد.

OpenVLA (کیم و همکاران، 2024) یک جایگزین کاملاً باز با 7 میلیارد پارامتر مبتنی بر Prismatic VLM ارائه داد که عملکرد رقابتی با RT-2 را با کسری از هزینه محاسباتی نشان می‌دهد و محققان دانشگاهی و صنعتی را قادر می‌سازد تا داده‌های وظیفه سفارشی را تنظیم دقیق کنند. طبق مقاله OpenVLA (arxiv:2406.09246)، OpenVLA پس از تنظیم دقیق، در 73٪ از وظایف ارزیابی BridgeV2 از RT-2-7B بهتر عمل کرد.

NVIDIA GR00T N1 که در GTC 2025 معرفی شد، یک مدل پایه انسان‌نما است که بر اساس ترکیبی از داده‌های تله‌اپریشن، داده‌های ویدیویی و داده‌های مصنوعی از NVIDIA Cosmos و Isaac Lab آموزش دیده است. NVIDIA وزن‌های GR00T N1 را به صورت عمومی منتشر کرد و آن را به یکی از اولین مدل‌های پایه برای ربات‌های انسان‌نما برای تنظیم دقیق خارجی تبدیل کرد. خط لوله Isaac GR00T Sim2Real که همراه آن است، آموزش شبیه‌سازی را از طریق تصادفی‌سازی دامنه در Isaac Lab به استقرار فیزیکی متصل می‌کند.

π0 هوش فیزیکی به جای طبقه‌بندی گسسته توکن‌ها، از یک سر عمل تطبیق جریان استفاده می‌کند که مسیرهای نرم‌تری ایجاد می‌کند و وظایف چند مرحله‌ای مانند تا کردن لباس‌ها یا مونتاژ اشیاء را با چندین مرحله متوالی انجام می‌دهد. این معماری، یک ستون فقرات VLM از پیش آموزش دیده را با یک رمزگشای عمل به سبک انتشار که بر اساس توکن‌های زبانی و بینایی تنظیم شده است، ترکیب می‌کند.

سیستم Helix شرکت Figure AI که روی ربات انسان‌نمای Figure 02 پیاده‌سازی شده است، رویکردی دو مدلی را در پیش می‌گیرد: یک VLM سطح بالا، درک صحنه و تجزیه دستورالعمل‌ها را مدیریت می‌کند، در حالی که یک مدل حسگر-حرکتی سطح پایین، دستورات حرکتی را در فرکانس کنترل اجرا می‌کند. این سیستم در کارخانه اسپارتانبورگ بی‌ام‌و در سال ۲۰۲۵، دستکاری دودستی بلادرنگ را نشان داد و اقلام را بر اساس دستورالعمل‌های گفتاری در دسته‌های مختلف مرتب کرد.

خط لوله انتقال FSD به Optimus تسلا به عنوان یک مزیت داده در مقیاس صنعتی شایان ذکر است. ناوگان فعلی تسلا میلیاردها مایل داده بصری دنیای واقعی برای FSD تولید می‌کند. فرضیه داخلی این است که نمایش‌های شبکه اشغال و معماری‌های پیش‌بینی ویدیویی که برای رانندگی خودکار توسعه یافته‌اند، می‌توانند به یادگیری ربات Optimus منتقل شوند، اگرچه جزئیات فنی عمومی همچنان محدود است.

-

آمادگی برای استفاده صنعتی

همه وظایف کارخانه به طور یکسان تابع رویکردهای VLA نیستند. متغیرهای کلیدی عبارتند از: الزامات تلرانس، تنوع قطعه، هزینه خرابی و اینکه آیا می‌توان داده‌های نمایشی کافی برای وظیفه هدف جمع‌آوری کرد یا خیر.

جمع‌آوری سطل زباله و جابجایی SKUهای مختلط قوی‌ترین تطابق‌های کوتاه‌مدت هستند. موقعیت‌های اشیاء تصادفی هستند، انواع قطعات متفاوت هستند و هزینه یک انتخاب از دست رفته یا افت جزئی کم است. RFM-1 شرکت Covariant دقیقاً برای همین کار در مراکز تکمیل سفارش تجارت الکترونیک مستقر شده است. طبق مشاهدات صنعتی، انتخاب سبد SKU مختلط با دید سه‌بعدی کلاسیک معمولاً بر اساس نوع SKU پیکربندی می‌شود و تغییر آن نیاز به ساعت‌ها کالیبراسیون مجدد دارد. یک مدل عمومی می‌تواند اقلام جدید را بدون پیکربندی هر کالا مدیریت کند، که در فرکانس تغییر معمول در تکمیل سفارش خرده‌فروشی، ارزش اقتصادی واقعی دارد.

مونتاژ انعطاف‌پذیر حوزه‌ای رقابتی‌تر است. وظایف مونتاژ اغلب به دقت فرو بردن زیر میلی‌متر و اعمال نیروی ثابت نیاز دارند. این‌ها حوزه‌هایی هستند که ماهیت تصادفی نمونه‌برداری فعلی از VLA، واریانسی ایجاد می‌کند که می‌تواند از تلرانس‌های فرآیند فراتر رود. طرح‌های آزمایشی اولیه، مراحل مونتاژ با تلرانس کمتر (مسیریابی کابل، گیره‌های چفت‌شونده) را هدف قرار می‌دهند، در حالی که حرکت قطعی را برای فرو بردن با تلرانس دقیق حفظ می‌کنند.

بازرسی کیفیت این مشکل تا حدودی با سیستم‌های بینایی دوبعدی/سه‌بعدی موجود حل شده است، اما با معماری‌های سبک VLA مورد بازنگری قرار می‌گیرد، زیرا مدل‌های شرطی‌شده با زبان را می‌توان از طریق تغییرات دستورالعمل، به جای آموزش مجدد یک طبقه‌بندی‌کننده اختصاصی، برای بررسی انواع مختلف نقص هدایت کرد.

کاهش تغییر ارزش پیشنهادی اصلی این است. یک خط تولید که در هر شیفت ۵۰ SKU را اجرا می‌کند و هر کدام به نقاط انتخاب و اهداف قرارگیری متفاوتی نیاز دارند، در حال حاضر یا به ربات‌های اختصاصی برای هر SKU یا برنامه‌ریزی مجدد زمان‌بر نیاز دارد. از لحاظ تئوری، یک سلول با قابلیت VLA می‌تواند با تغییر دستورالعمل زبان هدایت شود. در عمل، مدل‌های فعلی حتی زمانی که از یک ستون فقرات قوی از پیش آموزش‌دیده استفاده می‌شود، نیاز به تنظیم دقیق برای نمایش‌های خاص وظیفه دارند. تعمیم صفر به وظایف دقیق صنعتی همچنان نادر است.

در عمل، هنگام ارزیابی نمونه‌های آزمایشی VLA، مهندسانی که سریع‌ترین نتایج را می‌بینند، آن‌هایی هستند که وظایفی با موارد زیر را هدف قرار می‌دهند: (الف) تنوع بالای قطعات، (ب) تلرانس‌های کم (>0.5 میلی‌متر)، (ج) زیرساخت جمع‌آوری داده موجود (دکل‌های تله‌اپراسیون یا ضبط نمایشی) و (د) تمایل به برخورد با مؤلفه VLA به عنوان یک لایه انتخاب وظیفه و حرکت درشت با یک کنترل‌کننده کلاسیک که اصلاحات ظریف را انجام می‌دهد.

-

VLA در سال 2026: جایگاه واقعی خلبانان تولیدی

تا اواسط سال ۲۰۲۶، شکاف بین یک نمایش قانع‌کننده VLA و استقرار در مرحله تولید، همچنان ویژگی تعیین‌کننده این حوزه است. الگوی موجود در میان طرح‌های آزمایشی صنعتی ثابت است: وظایف مبتنی بر بینایی با فضای عمل محدود، مانند جمع‌آوری سطل زباله، کیت‌سازی و بازرسی، در حال تبدیل شدن به کاربردهای روتین هستند، در حالی که دستکاری‌های نامحدود در یک سلول بدون ساختار، هنوز یک فعالیت تحقیقاتی و آزمایشی است و نه یک قابلیت آماده برای خط تولید.

طبق مشاهدات صنعتی، سه محدودیت عملی این مرز را تعیین می‌کنند. اول، داده‌ها: یک سیاست VLA هنوز به صدها نمایش خاص از قطعات و ابزارهای واقعی که با آن مواجه خواهد شد نیاز دارد و این داده‌ها تا زمانی که کسی آنها را در تأسیسات جمع‌آوری نکند، وجود ندارند. دوم، اعتبارسنجی: یک سیاست آموخته‌شده که در ۹۵٪ مواقع موفق می‌شود، در آزمایشگاه چشمگیر است و در خطی که هزاران چرخه در هر شیفت اجرا می‌کند، غیرقابل قبول است، بنابراین نوار ایمنی و پذیرش بسیار بالاتر از آن چیزی است که معیارهای آزمایشی نشان می‌دهند. سوم، ادغام: یک مدل تنها زمانی مفید است که در منطق ایمنی سلول، تثبیت و بازیابی خطا که اتوماسیون کلاسیک از قبل ارائه می‌دهد، پیچیده شود.

پیامد این امر برای یک تولیدکننده این است که VLA را به عنوان امتدادی از یک پایگاه اتوماسیون موجود در نظر بگیرد، نه جایگزینی برای آن. اولین گام با بالاترین بازده در سال 2026، یک وظیفه هدایت‌شده با چشم‌انداز آماده برای تولید است که داده‌های وظیفه قابل استفاده را نیز ثبت می‌کند، بنابراین حرکت نهایی به سمت انعطاف‌پذیری گسترده‌تر مبتنی بر VLA، بر اساس فرآیندهای خودتان آموزش می‌بیند. برای نسخه عملیاتی این توالی، به هوش مصنوعی تجسم‌یافته در مقابل ربات‌های صنعتی سنتی و، برای اینکه ابتدا کجا را خلبانی کنیم، هوش مصنوعی تجسم‌یافته برای تولیدکنندگان صنعتی: موارد استفاده، بازگشت سرمایه و محل اجرای آزمایشی.

الزامات داده: چرا داده‌ها گلوگاه هستند؟

سه منبع داده اصلی برای آموزش VLA عبارتند از نمایش‌های عملیات از راه دور، داده‌های مصنوعی از شبیه‌سازی و ویدئوی اینترنتی.

نمایش‌های تله‌اکشن، که در آن یک انسان از طریق رابط لمسی یا اسکلت بیرونی، ربات را هدایت می‌کند در حالی که سیستم حالت‌های مفصل و جریان‌های دوربین را ثبت می‌کند، منبع داده با بالاترین کیفیت هستند زیرا دینامیک واقعی ربات، تعاملات واقعی با اشیاء و نویز واقعی حسگر را ثبت می‌کنند. این نمایش‌ها همچنین گران هستند: طبق مشاهدات صنعتی، جمع‌آوری یک مجموعه داده نمایشی قابل استفاده برای یک کار دستکاری جدید تقریباً 10 تا 100 ساعت زمان اپراتور برای هر نوع کار هزینه دارد، با هزینه ساعتی که شامل دستمزد اپراتور، زمان ربات و پردازش داده‌ها می‌شود. Physical Intelligence و Figure AI هر دو دقیقاً به همین دلیل تیم‌های تله‌اکشن داخلی بزرگی ایجاد کرده‌اند.

داده‌های مصنوعی تولید شده در شبیه‌سازهای فیزیک (NVIDIA Isaac Lab، MuJoCo، SAPIEN) امکان جمع‌آوری موازی در مقیاس بزرگ را فراهم می‌کنند، به طوری که صدها ربات شبیه‌سازی شده به طور همزمان داده‌ها را جمع‌آوری می‌کنند، اما از شکاف شبیه‌سازی با واقعیت رنج می‌برند. ظاهر بصری صحنه‌های رندر شده با تصاویر دوربین واقعی متفاوت است و فیزیک تماس شبیه‌سازی شده به ندرت با اصطکاک، تغییر شکل و لغزش در دنیای واقعی مطابقت دارد. تصادفی‌سازی دامنه تا حدی این شکاف را با آموزش در میان تغییرات تصادفی در بافت‌ها، نورپردازی، جرم‌ها و ضرایب اصطکاک پر می‌کند، اما آن را از بین نمی‌برد. NVIDIA Cosmos، یک مدل پایه جهانی که در کنار GR00T منتشر شد، برای تولید ویدیوهای آموزشی مصنوعی از نظر فیزیکی قابل قبول طراحی شده است که نسبت به رندر سنتی، واقع‌گرایانه‌تر هستند و به عنوان یک ابزار تقویت داده ارزیابی می‌شود.

ویدیوی اینترنتی، میلیاردها ساعت فیلم دستکاری انسان در یوتیوب و پلتفرم‌های مشابه، منبع داده‌ای است که در ابتدا انگیزه استفاده از ستون فقرات VLM برای رباتیک را ایجاد کرد. مدلی که از قبل در ویدیوی وب آموزش دیده است، دست‌هایی را در حال برداشتن اشیاء، مونتاژ مبلمان، آشپزی و جابجایی ابزار مشاهده کرده است، حتی اگر این ویدیوها حاوی هیچ برچسبی از عملکرد ربات نباشند. فرضیه این است که این دانش دستکاری عمومی از طریق تنظیم دقیق به کنترل ربات منتقل می‌شود. RT-2 واضح‌ترین نمایش این فرضیه در مقیاس بزرگ بود.

طبق گزارش جهانی رباتیک فدراسیون بین‌المللی رباتیک (IFR) در سال ۲۰۲۵، نصب ربات‌های صنعتی در سطح جهان در سال ۲۰۲۴ با نصب بیش از ۵۹۰،۰۰۰ واحد، رکورد جدیدی را ثبت کرد. EVST با سبد کامل محموله‌های خود، از ربات‌های همکار سری XR با وزن ۳ کیلوگرم گرفته تا بازوهای صنعتی سنگین QJAR با وزن ۸۰۰ کیلوگرم، به تقاضاهای استقرار صنعتی با حجم بالا پاسخ می‌دهد و به یکپارچه‌سازان یک پلتفرم سخت‌افزاری می‌دهد که قادر به اجرای کنترل‌کننده‌های قطعی کلاسیک و در صورت بلوغ، اهداف حرکتی تولید شده توسط VLA در محیط‌های تولیدی متنوع است.

-

پیامدهای سخت‌افزاری

اجرای استنتاج VLA در یک محیط تولید، نیازمندی‌های سخت‌افزاری دارد که اساساً با کنترل‌کننده‌های ربات کلاسیک متفاوت است.

یک کنترل‌کننده ربات صنعتی معمولی، یک حلقه کنترل فضای مشترک ۱ کیلوهرتز را روی یک سیستم‌عامل بلادرنگ قطعی اجرا می‌کند. بودجه محاسباتی محدود و زمان‌بندی آن به سختی بلادرنگ است. در مقابل، استنتاج VLA روی یک GPU اجرا می‌شود: یک مدل در مقیاس RT-2 (پارامتر ۵۵B) به چندین GPU پیشرفته نیاز دارد و اقداماتی را با فرکانس استنتاج ۱ تا ۳ هرتز تولید می‌کند. یک مدل پارامتر ۷B مانند OpenVLA می‌تواند روی یک GPU در سطح مصرف‌کننده با فرکانس ۶ تا ۱۰ هرتز اجرا شود. برای بسیاری از وظایف دستکاری، خروجی عمل ۱۰ هرتز کافی است؛ برای مونتاژ پرسرعت یا گرفتن پویا، مناسب نیست.

معماری که اکثر تیم‌ها روی آن همگرا هستند، یک سلسله مراتب دو سطحی است: مدل VLA روی یک گره محاسباتی GPU (روی یک AGV، یک پایگاه ربات یا یک سرور لبه‌ای نزدیک) اجرا می‌شود و اهداف عملیاتی سطح بالا را با فرکانس ۵ تا ۱۵ هرتز خروجی می‌دهد. یک پردازنده کمکی بلادرنگ معمولی، که کنترل‌کننده مفصل موجود ربات است، این اهداف را با فرکانس ۱ کیلوهرتز درون‌یابی می‌کند و محدودیت‌های گشتاور، اجتناب از برخورد و محدودیت‌های فضای مفصلی را اعمال می‌کند. این جداسازی، جبرگرایی و ایمنی را در لایه کنترل حفظ می‌کند و در عین حال به لایه VLA اجازه می‌دهد تا ادراک و استدلال در سطح وظیفه را مدیریت کند.

الزامات حسگر نیز تغییر می‌کند. مدل‌های VLA در درجه اول از جریان‌های دوربین RGB استفاده می‌کنند و اکثر تحقیقات فعلی از یک یا دو دوربین مچی و پایه استفاده می‌کنند. حسگرهای عمق، دقت دستکاری را بهبود می‌بخشند، به خصوص برای صحنه‌های شلوغ، اما داده‌های عمق باید در فضای تصویری که مدل درک می‌کند، منعکس شوند. برای استقرار صنعتی، دوربین‌ها باید استانداردهای حفاظت از ورود برای محیط عملیاتی را رعایت کنند: حداقل IP65 برای تولید عمومی، IP68 برای مناطق شستشو یا جو انفجاری.

-

سمت شبیه‌ساز

شبیه‌سازی جایی است که بیشتر توسعه VLA قبل از درگیر شدن با سخت‌افزار فیزیکی اتفاق می‌افتد. چهار شبیه‌ساز بر چشم‌انداز تحقیقات فعلی تسلط دارند.

آزمایشگاه ایزاک انویدیا (که بر اساس ایزاک سیم ساخته شده و خود مبتنی بر USD و PhysX است) برای آموزش موازی در مقیاس بزرگ روی پردازنده‌های گرافیکی انویدیا بهینه شده است. هزاران محیط شبیه‌سازی شده می‌توانند به طور همزمان روی یک گره DGX اجرا شوند و جمع‌آوری میلیون‌ها مسیر نمایشی را در عرض چند روز به جای چند ماه عملی کنند. آزمایشگاه ایزاک محیط آموزشی اصلی برای GR00T است.

MuJoCo (که اکنون متن‌باز است و توسط DeepMind نگهداری می‌شود) گسترده‌ترین پذیرش دانشگاهی را دارد. حل‌کننده تماس آن برای وظایف دستکاری رباتیک به خوبی اعتبارسنجی شده است و معیارهایی مانند RoboSuite و Adroit از آن استفاده می‌کنند. اکثر مقالات منتشر شده VLA نتایج معیارهای مبتنی بر MuJoCo را گزارش می‌دهند و آن را به استاندارد مقایسه بالفعل تبدیل می‌کنند.

NVIDIA Cosmos یک مدل جدیدتر از بنیاد جهانی است که از متن یا تصویر، ویدیوهای قابل قبول فیزیکی تولید می‌کند. این مدل به جای اینکه یک شبیه‌ساز سنتی باشد، به عنوان یک ابزار تولید داده‌های مصنوعی مورد بررسی قرار می‌گیرد و ویدیوهای آموزشی تولید می‌کند که سناریوهای دستکاری ربات را نشان می‌دهند که جمع‌آوری فیزیکی یا رندر کردن آنها با گرافیک‌های کلاسیک پرهزینه خواهد بود.

SAPIEN که در دانشگاه کالیفرنیا، سن دیگو توسعه داده شده است، به ویژه برای دستکاری اشیاء مفصلی قوی است: باز کردن کشوها، چرخاندن شیرآلات، کار با لوازم خانگی. مجموعه داده‌های آن از اشیاء مفصلی (PartNet-Mobility) به طور گسترده برای آموزش و ارزیابی سیاست‌های دستکاری در وظایف مربوط به قابلیت دسترسی اشیاء استفاده شده است.

-

چه زمانی VLA را آزمایش کنیم در مقابل چه زمانی به برنامه‌نویسی کلاسیک پایبند بمانیم؟

این سوال عملی است که اکثر مهندسان تولید در سال 2026 با آن مواجه هستند. پاسخ صادقانه این است که رویکردهای VLA هنوز انتخاب مناسبی برای اکثر محیط‌های تولیدی نیستند، اما سناریوهای خاصی وجود دارد که در آنها یک طرح آزمایشی توجیه‌پذیر است.

یک خلبان VLA را در نظر بگیرید وقتی که:

• تنوع قطعات بالا است (بیش از 20 SKU مجزا) و تعداد دفعات تعویض قطعات بیش از هفتگی است
• الزامات تلرانس ضعیف هستند (دقت موقعیتی >0.5 میلی‌متر قابل قبول است)
• این وظیفه شامل ورودی‌های بدون ساختار یا با چیدمان تصادفی است (مثلاً محتویات تصادفی سطل زباله)
• این عملیات شامل دستورالعمل‌های سطح زبان است که ممکن است تغییر کنند (انتخاب بر اساس رنگ، دسته یا برچسب)
• تمایل به استفاده از ابزار در مرحله جمع‌آوری داده‌ها (دستگاه تله‌اپراتور، ۵۰ تا ۲۰۰ ساعت آموزش عملی) وجود دارد.
• هزینه خرابی‌های گاه به گاه کم است و سیستم می‌تواند اصلاحات انسانی را در حلقه تحمل کند.

در موارد زیر به برنامه‌نویسی کلاسیک پایبند باشید:

• کاربرد آن هندسه ثابت، تیراژ بالا و تولید طولانی مدت است (جوشکاری بدنه خودرو، پرسکاری)
• الزامات تلرانس بسیار دقیق هستند (کمتر از 0.1 میلی‌متر) و باید در هر چرخه تضمین شوند.
• محیط کنترل‌کننده از نظر ایمنی تحت استانداردهای IEC 62061 یا ISO 13849 ارزیابی شده است و افزودن لایه استنتاج GPU امکان‌پذیر نیست.
• مسیرهای حسابرسی و گزارش‌های اجرایی قطعی برای گواهینامه‌های کیفیت مورد نیاز هستند (IATF16949، IATF16949 - فرآیندهای مجاور)
• هیچ زیرساخت جمع‌آوری داده‌ای وجود ندارد و بودجه‌ای برای ساخت آن در نظر گرفته نشده است.

یک استراتژی ترکیبی عملی، که چندین شرکت پیشرو در حال دنبال کردن آن هستند، استفاده از VLA برای انتخاب وظیفه و تولید حرکات درشت و در عین حال استفاده از یک کنترل‌کننده کلاسیک برای اجرای حرکات ظریف و کنترل نیرو است. VLA تصمیم می‌گیرد چه کاری انجام دهد و تقریباً به کجا برود؛ لایه کلاسیک، دقت و تحریک از نظر ایمنی حیاتی را مدیریت می‌کند.

EVST، به عنوان یک فروشنده یکپارچه‌سازی آماده به کار که بازوهای رباتیک صنعتی را برای بارهایی از 3 تا 800 کیلوگرم تأمین می‌کند، به طور فعال در حال ارزیابی خطوط لوله VLA برای بخش‌های کاربردی خاص، عمدتاً جمع‌آوری سطل‌های با مخلوط بالا و مونتاژ انعطاف‌پذیر است، که در آن بحث انعطاف‌پذیری قوی‌تر است. رویکرد EVST، استنتاج VLA را به عنوان یک لایه ادراک و برنامه‌ریزی که بالای کنترل‌کننده مشترک قطعی قرار دارد، در نظر می‌گیرد و کنترل حرکت در سطح صنعتی را که سیستم‌های دارای گواهینامه CE/SGS/TÜV به آن نیاز دارند، حفظ می‌کند. برای محیط‌های با دمای بسیار بالا (-30 درجه سانتیگراد تا 80 درجه سانتیگراد) و سلول‌های دارای گواهینامه ATEX/IECEx ضد انفجار، کنترل‌کننده‌های کلاسیک تنها رویکرد معتبر در این مرحله هستند.

-

چالش‌های ایمنی و اعتبارسنجی

ربات‌های صنعتی که تحت استانداردهای ISO 10218-1 (طراحی ربات) و ISO 10218-2 (ادغام سیستم) کار می‌کنند، باید رفتار ایمنی قطعی و قابل ممیزی را نشان دهند. کاربردهای ربات‌های مشارکتی علاوه بر این، نیاز به ارزیابی ریسک طبق استاندارد ISO/TS 15066 دارند که محدودیت‌های بیومکانیکی برای نیروی تماسی و فشار بر اساس ناحیه بدن را مشخص می‌کند.

مدل‌های VLA چالش‌های اعتبارسنجی را مطرح می‌کنند که این استانداردها برای پرداختن به آنها طراحی نشده‌اند. یک سیاست شبکه عصبی مجموعه‌ای محدود و قابل شمارش از رفتارها ندارد که یک مهندس ایمنی بتواند از طریق FMEA سنتی آن را تجزیه و تحلیل کند. پاسخ مدل به یک ورودی خارج از توزیع، یک شیء جدید، یک وضعیت روشنایی غیرمنتظره، یک انسداد جزئی، ممکن است به طرز دلپذیری کاهش یابد یا ناگهان از کار بیفتد و پیش‌بینی اینکه کدام یک رخ خواهد داد، ساده نیست.

استاندارد ISO 22166 (استاندارد نوظهور برای معیارهای عملکرد سیستم‌های ربات مبتنی بر هوش مصنوعی) در حال توسعه است و انتظار می‌رود برخی از این شکاف‌ها را برطرف کند، اما هنوز نهایی نشده است. در عین حال، رویکرد مسئولانه، استدلال SOTIF (ایمنی عملکرد مورد نظر، ISO 21448) را از حوزه خودرو منعکس می‌کند: شرایطی را که تحت آن عملکرد مورد نظر سیستم با شکست مواجه می‌شود، شناسایی کنید، دامنه طراحی عملیاتی (ODD) را که سیستم مجاز به کار در آن است تعریف کنید و عملکرد خارج از آن ODD را تا زمان جمع‌آوری شواهد اعتبارسنجی اضافی محدود کنید.

طبق مشاهدات صنعتی در مورد استقرارهای اولیه VLA، رایج‌ترین معماری ایمنی، خروجی استنتاج VLA را با یک مانیتور ایمنی کلاسیک می‌پوشاند که محدودیت‌های فضای کاری، محدودیت‌های سرعت و آستانه‌های نیرو را صرف نظر از درخواست‌های سیاست VLA اعمال می‌کند. VLA اهداف حرکتی را تولید می‌کند؛ لایه ایمنی تصمیم می‌گیرد که آیا این اهداف مجاز هستند یا خیر. این معماری امکان استفاده از یک کنترل‌کننده ایمنی سازگار با ISO 10218 را حتی زمانی که سیاست بالادستی یک شبکه عصبی است، فراهم می‌کند.

برای محیط‌های تولیدی دارای گواهینامه IATF16949، که در آن‌ها قابلیت ردیابی فرآیند و برنامه‌های کنترلی تعریف‌شده اجباری هستند، اتوماسیون مبتنی بر VLA با بار مستندسازی اضافی مواجه است. مهندسان باید ODD را تعریف کنند، ورودی‌ها و خروجی‌های استنتاج را ثبت کنند و رویه‌هایی را برای تشخیص و بازیابی از شرایط خارج از توزیع ایجاد کنند. این غیرممکن نیست، اما هزینه اعتبارسنجی را اضافه می‌کند که سیستم‌های برنامه‌ریزی‌شده آفلاین کلاسیک متحمل آن نمی‌شوند.

طبق گزارش جهانی رباتیک IFR 2025، رعایت استانداردهای ایمنی همچنان یکی از سه مانع اصلی برای تسریع پذیرش ربات در بازارهای تولیدی در حال توسعه است. EVST با ایجاد گواهینامه‌های شخص ثالث CE، SGS و TÜV در خط تولید ربات خود از مرحله طراحی، به این مشکل رسیدگی می‌کند، به طوری که یکپارچه‌سازانی که از سخت‌افزار EVST به عنوان لایه فیزیکی تحت یک پشته استنتاج VLA استفاده می‌کنند، به جای اینکه مجبور باشند یک سیستم سفارشی را از ابتدا تأیید کنند، از یک مبنای مکانیکی و الکتریکی تأیید شده شروع می‌کنند.

-

پرسش و پاسخهای متداول

تفاوت بین مدل VLA و سیستم بینایی سنتی ربات چیست؟

یک سیستم بینایی ربات سنتی (دوربین دوبعدی + تشخیص شیء یا ابر نقاط سه‌بعدی + تخمین حالت) داده‌های هندسی (محل قرارگیری شیء، جهت‌گیری آن) را خروجی می‌دهد که سپس به عنوان ورودی به یک برنامه‌ریز حرکت جداگانه داده می‌شود. یک مدل VLA تصاویر دوربین و یک دستورالعمل زبانی را به عنوان ورودی دریافت می‌کند و اقدامات ربات را مستقیماً و بدون نیاز به یک ماژول برنامه‌ریزی جداگانه، خروجی می‌دهد. رویکرد VLA برای اشیاء جدید و تغییرات دستورالعمل انعطاف‌پذیرتر است. رویکرد سنتی قطعی‌تر و اعتبارسنجی آن در برابر استانداردهای ایمنی آسان‌تر است.

آیا هوش مصنوعی تجسم‌یافته در تولید صنعتی در سال ۲۰۲۶ آماده است؟

مراحل اولیه برای اکثر کاربردها. چندین پلتفرم (Covariant RFM-1 در زمینه تکمیل سفارشات تجارت الکترونیک، Figure AI Helix در پروژه‌های آزمایشی مونتاژ خودرو) فراتر از تحقیقات صرف رفته‌اند، اما استقرار گسترده تولید در سطوح قابلیت اطمینان مورد انتظار مشتریان صنعتی (زمان آماده به کار بالای ۹۹٪، تکرارپذیری زیر میلی‌متر، ایمنی تأیید شده) برای اکثر دسته‌های کاری هنوز یک تا سه سال زمان می‌برد. جمع‌آوری سطل با مخلوط بالا، نزدیک‌ترین گزینه به آماده تولید است.

یک مدل VLA برای یادگیری یک کار صنعتی جدید به چند نمایش نیاز دارد؟

پاسخ به طور قابل توجهی بر اساس مدل و وظیفه متفاوت است. با یک زیرساخت قوی از پیش آموزش دیده مانند OpenVLA یا GR00T، تنظیم دقیق روی حداقل ۵۰ تا ۱۰۰ نمایش می‌تواند عملکرد قابل استفاده‌ای را در وظایف ساده دستکاری روی میز ایجاد کند. وظایف صنعتی پیچیده، ماهرانه یا دقیق ممکن است برای نرخ موفقیت قابل قبول به ۵۰۰ تا ۲۰۰۰ نمایش نیاز داشته باشند. طبق مشاهدات صنعتی از برنامه‌های آزمایشی اولیه، حداقل زمان عملی برای یک استقرار خاص برای یک وظیفه که از نظر تجاری قابل دوام باشد، معمولاً ۱۰۰ تا ۳۰۰ ساعت داده از راه دور است.

شکاف بین شبیه‌سازی و واقعیت چیست و توسعه‌دهندگان VLA چگونه آن را برطرف می‌کنند؟

شکاف شبیه‌سازی به واقعیت، افت عملکرد سیاست است، زمانی که مدلی که در شبیه‌سازی آموزش دیده است، روی یک ربات فیزیکی مستقر می‌شود. این شکاف دو دلیل اصلی دارد: تغییر دامنه بصری (تصاویر رندر شده متفاوت از تصاویر دوربین واقعی به نظر می‌رسند) و تغییر دامنه فیزیکی (نیروهای تماسی شبیه‌سازی شده، اصطکاک و تغییر شکل جسم با رفتار دنیای واقعی متفاوت است). تصادفی‌سازی دامنه، تغییر تصادفی بافت‌ها، نورپردازی، جرم‌ها و پارامترهای فیزیکی در طول آموزش شبیه‌سازی، رایج‌ترین راهکار کاهش این مشکل است. NVIDIA Cosmos تولید ویدیوی واقع‌گرایانه را به عنوان یک منبع داده اضافی اضافه می‌کند. اکثر سیستم‌های VLA مستقر، داده‌های شبیه‌سازی را با نمایش‌های واقعی ربات تکمیل می‌کنند تا شکاف باقی‌مانده را پر کنند.

آیا هوش مصنوعی تجسم‌یافته می‌تواند با بازوهای رباتیک صنعتی موجود کار کند یا به سخت‌افزار جدید نیاز دارد؟

بازوهای رباتیک موجود می‌توانند به عنوان لایه فیزیکی برای اهداف حرکتی تولید شده توسط VLA عمل کنند، مشروط بر اینکه کنترل‌کننده بتواند دستورات موقعیت یا سرعت خارجی را با فرکانس کافی (معمولاً 10 تا 100 هرتز) بپذیرد. پشته استنتاج VLA بر روی یک گره محاسباتی GPU جداگانه اجرا می‌شود و موقعیت‌های هدف را از طریق یک رابط استاندارد (EtherCAT، OPC UA یا API مخصوص فروشنده) به کنترل‌کننده ربات ارسال می‌کند. بازوهای کامل سری EVST QJAR و سری XR cobot رابط‌های استاندارد فیلدباس را ارائه می‌دهند که این معماری دو لایه را امکان‌پذیر می‌کنند، بنابراین کارخانه‌ها برای اجرای پایلوت‌های استنتاج VLA نیازی به جایگزینی سخت‌افزار موجود ندارند.

-

خواندن مرتبط

• ربات‌های انسان‌نما در تولید صنعتی: جایگاه آنها در سال 2026، مقاله‌ای خواهر که استقرار Figure، Agility، Apptronik و Boston Dynamics را در محیط‌های کارخانه پوشش می‌دهد.
• ربات‌های انسان‌نما در مقابل بازوهای رباتیک صنعتی: کدام یک برای کارخانه شما در سال ۲۰۲۶ مناسب است؟مقایسه‌ی مهارت انسان‌نما در هر وظیفه در مقابل عملکرد بازوی مفصلی
• راهنمای کامل ربات‌های همکار: انواع، انتخاب و کاربردها در سال 2026، پوشش عمیق معماری ربات‌های همکار، استانداردهای ایمنی و چارچوب‌های انتخاب
• 10 تولیدکننده برتر ربات صنعتی در چین: نسخه 2026شامل صادرکنندگان ESTUN، SIASUN، GSK، EVST و سایر موارد، به همراه جزئیات بار داده و برنامه‌های کاربردی
• هوش مصنوعی تجسمی برای تولیدکنندگان صنعتی: موارد استفاده، بازگشت سرمایه و محل آزمایش، یک نقشه آمادگی عملی و راهنمای انتخاب خلبان برای تیم‌های تولید
• برترین شرکت‌های مدل‌سازی بنیاد رباتیک و هوش مصنوعی تجسمی ۲۰۲۶، چشم‌انداز سازمان‌هایی که مدل‌های VLA و پایه ربات می‌سازند

-

آخرین به‌روزرسانی: ۱۲ ژوئن ۲۰۲۶. داده‌های مربوط به پارامترها و استقرارهای مدل VLA از مقالات تحقیقاتی عمومی (Brohan و همکاران، ۲۰۲۳، Kim و همکاران، ۲۰۲۴) و اعلامیه‌های تولیدکنندگان استخراج شده است. داده‌های بازار از گزارش جهانی رباتیک ۲۰۲۵ فدراسیون بین‌المللی رباتیک (IFR) ذکر شده است. در مواردی که ارقام خاص در دسترس نیستند، به جای اعداد بدون منبع، از عبارت «طبق مشاهدات صنعتی» استفاده می‌شود.

مشاهده ما راهکارهای هوش مصنوعی تجسمی →