Pēdējoreiz atjaunināts: 12. gada 2026. jūnijā

Iemiesots mākslīgais intelekts rūpnieciskajā robotikā: kā redzes-valodas-darbības modeļi maina robotu programmēšanu

Iemiesots mākslīgais intelekts (MI) attiecas uz mašīnintelektu, kas uztver savu vidi, izmantojot sensorus, pamato redzēto un ģenerē fiziskas darbības, visu vienota modeļa ietvaros. Rūpnīcas robotikā tam ir nozīme, jo redzes-valodas-darbības (VLA) modelis var interpretēt verbālu instrukciju, identificēt nepazīstamu daļu un izpildīt manipulāciju secību bez rindiņu pa rindiņai programmēšanas. Kopš 2026. gada vairākas pētniecības platformas ir pārgājušas no laboratorijas demonstrācijām uz agrīniem rūpnieciskiem pilotprojektiem, mainot inženieru domāšanu par elastīgu automatizāciju. Lai uzzinātu par EVST produktu līmeņa virzienu humanoīdu robotu, veiklo roku, četrkājaino robotu un iemiesota MI datu vākšanas jomā, skatiet sadaļu EVST iemiesoti mākslīgā intelekta risinājumi.

Pēdējoreiz atjaunināts: 12. gada 2026. jūnijā

Sākot no

Robotu programmēšanas evolūcija: no Teach Pendant līdz pamatmodeļiem

Rūpnīcas robotu programmēšana ir piedzīvojusi četras atpazīstamas paaudzes, katra no kurām apmaina atšķirīgu ierobežojumu pret atšķirīgu spēju.

Pirmā paaudze darbojās ar apmācības pulti. Inženieris pārvietoja robotu pa asij uz katru ceļa punktu, reģistrēja pozīcijas un salika tās kustības programmā, kas tika saglabāta kontrollerī. Trajektorijas modificēšana pēc līnijas maiņas nozīmēja katra ceļa punkta manuālu atkārtotu apmācību. Liela apjoma, fiksētas ģeometrijas ražošanā (piemēram, automašīnu virsbūvju metināšanā) šī pieeja darbojās labi. Visam, kam bija nepieciešamas biežas produktu izmaiņas, tā bija dārga.

Bezsaistes programmēšanas (OLP) rīki, piemēram, RoboDK, KUKA.Sim un ABB RobotStudio, parādījās 1990. gs. deviņdesmitajos gados un ļāva inženieriem definēt robotu trajektorijas 3D CAD vidē un veikt koda pēcapstrādi dažādiem kontrolieru zīmoliem. Iestatīšanas laiks samazinājās no dienām līdz stundām, un trajektoriju optimizācija kļuva iespējama pirms pirmā fiziskā cikla. Atšķirība starp simulēto modeli un fizisko instalāciju (kalibrēšanas kļūda, kabeļu noslīdējums, stiprinājumu pielaides) joprojām bija pastāvīga problēmu vieta, taču OLP joprojām ir standarta pieeja lielākajai daļai ražošanas šūnu mūsdienās.

Kā trešais vilnis parādījās prasmju bibliotēkas. Pārdevēji un integratori piedāvāja atkārtoti izmantojamus kustību primitīvus, konteineru atlases prasmi, tapu ievietošanas prasmi caurumā un šuvju metināšanas prasmi, ko varēja konfigurēt ar parametriem, nevis pārprogrammēt no nulles. Piemēram, ar redzi vadīta konteineru atlase no vairākus mēnešus ilga pielāgota projekta kļuva par konfigurējamu moduli. Tomēr katrai prasmei bija jābūt skaidri autorizētai, un prasmes netika vispārinātas: konteineru atlases prasme, kas apmācīta vienai detaļas ģeometrijai, neizdotos, ja detaļas forma būtu ievērojami atšķirīga.

VLA modeļi pārstāv ceturto vilni. Tā vietā, lai kodētu uzvedību kā skaidrus ceļa punktus vai parametrizētus primitīvus, VLA modeļi no lieliem robotu demonstrāciju un vispārīgu vizuālo datu kopumiem mācās, kā tieši kartēt (attēla, valodas instrukcijas) pārus (robota darbības) izvadēs. Modelis vispārina objektus, apgaismojuma apstākļus un instrukciju formulējumus tādā veidā, kā prasmju bibliotēkas to nevar, jo vispārinājums ir iebūvēts svaros, nevis kodēts manuāli.

Determinisma plaisa ir svarīga rūpnieciskos apstākļos. Mācību programma katrā ciklā izpilda tieši vienu un to pašu ceļu; VLA modelis katrā secinājuma solī ņem darbības sadalījuma paraugu. Uzdevumiem, kuros ir pieņemamas variācijas no cikla uz ciklu (nejauši sakārtotu elementu izvēle), tas ir pārvaldāms. Uzdevumiem, kuros ir nepieciešama atkārtojamība zem milimetra tūkstošiem ciklu, klasiskās metodes saglabā strukturālu priekšrocību, kuras novēršanā aktīvi strādā VLA izstrādātāji.

Sākot no

Kas ir VLA modeļi: arhitektūra vienkāršā valodā

Redzes-valodas-darbības modelis ir neironu tīkls, kas kā ievadi pieņem vizuālus novērojumus un dabiskās valodas instrukcijas un kā izvadi ģenerē robota darbības — vienotu pilnīgu modeli, nevis atsevišķu redzes, plānošanas un vadības moduļu cauruļvadu.

Trīs arhitektūras komponenti ir:

Redzes kodētājs. Iepriekš apmācīts redzes transformators (ViT) jeb konvolucionālais mugurkauls apstrādā kameras attēlus un kodē tos blīvos elementu attēlojumos. Vairumā pašreizējo VLA dizainu šis kodētājs tiek inicializēts no liela redzes valodas modeļa (VLM) un pēc tam precīzi noregulēts, izmantojot robota datus. Iepriekš apmācīta mugurkaula izmantošana ir svarīga, jo tā sniedz modelim vispārīgus vizuālos priekšstatus, izpratni par to, kas ir kaste, kā izskatās rokturis, pirms tas redz robota demonstrāciju.

Valodas kodētājs. Teksta transformators kodē instrukciju (“izvēlies sarkano bloku un ievieto to kreisajā pusē esošajā nodalījumā”) marķieru secībā, kas pēc tam tiek savstarpēji saistīta ar vizuālajām iezīmēm. Savstarpējā uzmanība šeit nozīmē, ka modelis var aplūkot, kuras attēla daļas ir visatbilstošākās, ņemot vērā instrukcijas jautājumu. Tas neapstrādā redzi un valodu atsevišķās vienībās.

Darbības galva. Kombinētā reprezentācija tiek dekodēta robota darbībās. Darbības var tikt attēlotas kā gala efektora deltas (pārvietojiet satvērēju 2 cm pa labi, aizveriet satvērēju), locītavu leņķi vai tokenizētas darbību daļas. Darbību tokenizācija, apstrādājot diskrētu darbību nodalījumu kā valodas marķieri, ļāva agrīnajiem VLA darbiem precizēt esošās LLM arhitektūras robotikai, neveidojot jaunu darbību dekoderu no nulles. Jaunākie dizaini izmanto uz difūziju balstītas darbību galviņas, kas rada vienmērīgākas, nepārtrauktākas trajektorijas un labāk apstrādā multimodālu darbību sadalījumu nekā tīra marķieru klasifikācija.

Apmācība notiek pēc uzvedības klonēšanas bāzē: modelis tiek apmācīts atdarināt ekspertu demonstrācijas, izmantojot uzraudzītu mācīšanos (novērošanas, darbības) pāros. Dažas sistēmas simulācijā izmanto pastiprināšanas mācīšanos no cilvēka atgriezeniskās saites (RLHF) vai tiešsaistes RL, lai uzlabotu robustumu, pārsniedzot to, ko var sasniegt tikai ar imitāciju. Simulācijas un reālās vides plaisa, veiktspējas kritums, kad simulācijā apmācīta politika tiek pārnesta uz fizisku robotu, joprojām ir viena no aktīvākajām pētniecības problēmām. Domēna nejaušināšana (nejauši mainīgas tekstūras, apgaismojums, objektu pozas un fizikālie parametri simulācijas apmācības laikā) ir visplašāk izmantotā mazināšanas metode.

Sākot no

Galvenie pētniecības atskaites punkti

VLA joma ir strauji attīstījusies. Nākamajā tabulā ir apkopotas platformas, uz kurām visbiežāk tika runāts rūpnieciskās robotikas diskusijās 2026. gada sākumā.

Inženieriem, kas novērtē rūpniecisko piemērojamību, ir jāpievērš lielāka uzmanība dažiem pagrieziena punktiem.

RT-2, kas aprakstīts 2023. gada rakstā “RT-2: Redzes-valodas-darbības modeļi pārnes tīmekļa zināšanas uz robotu vadību” (Brohan et al., Google DeepMind), parādīja, ka modelis, kas inicializēts no iepriekš apmācīta redzes valodas mugurkaula (PaLI-X, PaLM-E), var demonstrēt emergentu spriešanu, veicot uzdevumus, kuriem tas nekad nav bijis tieši apmācīts, apvienojot tīmekļa mēroga apmācības koncepcijas. Rakstā tika parādīts, ka modeļa mērogs korelē ar vispārināšanu, kas paātrināja nozares interesi par lielu pamatmodeļu izmantošanu kā robotu politikas mugurkaulu.

OpenVLA (Kim et al., 2024) nodrošināja pilnībā atvērtu alternatīvu ar 7 miljardiem parametru, pamatojoties uz Prismatic VLM, demonstrējot konkurētspējīgu veiktspēju ar RT-2 par daudz zemākām skaitļošanas izmaksām un ļaujot akadēmiskajiem un rūpnieciskajiem pētniekiem precīzi pielāgot pielāgotu uzdevumu datus. Saskaņā ar OpenVLA rakstu (arxiv:2406.09246) OpenVLA pārspēja RT-2-7B 73% BridgeV2 novērtēšanas uzdevumu pēc precizēšanas.

NVIDIA GR00T N1, kas tika izziņots GTC 2025, ir humanoīdu pamatmodelis, kas apmācīts, izmantojot teleoperāciju datu, video datu un sintētisko datu maisījumu no NVIDIA Cosmos un Isaac Lab. NVIDIA publiski izlaida GR00T N1 svarus, padarot to par vienu no pirmajiem humanoīdu robotu pamatmodeļiem, kas pieejams ārējai precizēšanai. Pievienotais Isaac GR00T Sim2Real cauruļvads savieno simulatora apmācību ar fizisku izvietošanu, izmantojot domēna nejaušināšanu Isaac Lab.

Fiziskā intelekta π0 izmanto plūsmas saskaņošanas darbības galviņu, nevis diskrētu marķieru klasifikāciju, kas rada vienmērīgākas trajektorijas un apstrādā daudzpakāpju uzdevumus, piemēram, apģērbu locīšanu vai objektu salikšanu ar vairākiem secīgiem soļiem. Arhitektūra apvieno iepriekš apmācītu VLM mugurkaulu ar difūzijas stila darbības dekoderu, kas kondicionēts, pamatojoties uz valodas un redzes marķieriem.

Figure AI Helix, kas izvietots uz Figure 02 humanoīda, izmanto divu modeļu pieeju: augsta līmeņa VLM apstrādā ainas izpratni un instrukciju parsēšanu, savukārt zema līmeņa sensoromotoru modelis izpilda motora komandas vadības frekvencē. Sistēma demonstrēja reāllaika bimanuālu manipulāciju, šķirojot vienības kategorijās, pamatojoties uz balss instrukcijām, BMW Spartanburgas rūpnīcā 2025. gadā.

Tesla FSD-to-Optimus cauruļvads ir vērts pieminēšanas kā nozares mēroga datu priekšrocības spēle. Tesla esošais autoparks ģenerē miljardiem jūdžu reālās pasaules vizuālo datu FSD vajadzībām. Iekšējā hipotēze ir tāda, ka autonomai braukšanai izstrādātās aizņemtības tīkla reprezentācijas un video prognozēšanas arhitektūras var tikt pārnestas uz Optimus robotu apmācību, lai gan publiskā tehniskā informācija joprojām ir ierobežota.

Sākot no

Gatavība rūpnieciskai lietošanai

Ne visi rūpnīcas uzdevumi ir vienlīdz labi piemēroti VLA pieejām. Galvenie mainīgie ir: pielaides prasības, detaļu daudzveidība, kļūmes izmaksas un tas, vai mērķa uzdevumam var savākt pietiekami daudz demonstrācijas datu.

Atkritumu konteineru komplektēšana un jauktu preču apstrāde ir spēcīgākās īstermiņa atbilstības. Objektu pozīcijas ir nejaušas, detaļu veidi atšķiras, un nokavētas komplektēšanas vai nelielas nomešanas izmaksas ir zemas. Covariant RFM-1 ir izmantots e-komercijas izpildes centros tieši šim uzdevumam. Saskaņā ar nozares novērojumiem, jaukta SKU konteineru komplektēšana ar klasisko 3D redzi parasti tiek konfigurēta atbilstoši SKU veidam, un pārslēgšanai nepieciešamas vairākas stundas ilga atkārtota kalibrēšana. Universāls modelis var apstrādāt jaunas preces bez atsevišķas konfigurācijas, kam ir reāla ekonomiskā vērtība ar maiņas biežumu, kas ir ierasts mazumtirdzniecības izpildē.

Elastīga montāža ir apstrīdētāka teritorija. Montāžas uzdevumiem bieži vien ir nepieciešama ievietošanas precizitāte, kas ir mazāka par milimetru, un vienmērīga spēka pielietošana. Tās ir jomas, kurās pašreizējās VLA darbības paraugu ņemšanas stohastiskā daba rada dispersiju, kas var pārsniegt procesa pielaides. Agrīnie izmēģinājuma projekti ir vērsti uz montāžas posmiem ar mazāku pielaidi (kabeļu izvietojums, spraudkontaktu skavas), vienlaikus saglabājot deterministisku kustību ievietošanai ar nelielu pielaidi.

Kvalitātes pārbaude ir daļēji atrisināta problēma ar esošajām 2D/3D redzes sistēmām, taču tā tiek pārskatīta ar VLA stila arhitektūrām, jo ​​ar valodu kondicionētus modeļus var novirzīt, lai pārbaudītu dažādus defektu veidus, mainot instrukcijas, nevis atkārtoti apmācot īpašu klasifikatoru.

Pārslēgšanas samazināšana ir galvenais vērtības piedāvājums. Ražošanas līnijai, kas maiņā darbojas ar 50 SKU, katram no kuriem nepieciešami atšķirīgi savākšanas punkti un izvietojuma mērķi, pašlaik ir nepieciešami vai nu atsevišķi roboti katram SKU, vai laikietilpīga pārprogrammēšana. VLA saderīgu šūnu teorētiski varētu novirzīt, mainot valodas instrukciju. Praksē pašreizējiem modeļiem ir nepieciešama precīza pielāgošana uzdevumam specifiskās demonstrācijās pat tad, ja tiek izmantots spēcīgs iepriekš apmācīts mugurkauls. Nulles kadra vispārināšana rūpnieciskiem precīzijas uzdevumiem joprojām ir reta parādība.

Praksē, izvērtējot VLA pilotprojektus, inženieri, kas visātrāk sasniedz rezultātus, ir tie, kas koncentrējas uz uzdevumiem ar: (a) lielu detaļu daudzveidību, (b) vaļīgām pielaidēm (>0.5 mm), (c) esošu datu vākšanas infrastruktūru (teleoperāciju platformas vai demonstrācijas ierakstīšana) un (d) vēlmi uzskatīt VLA komponentu par uzdevumu atlases un rupjas kustības slāni ar klasisku kontrolieri, kas apstrādā precīzas korekcijas.

Sākot no

VLA 2026. gadā: kāda patiesībā ir ražošanas pilotprojektu situācija?

Līdz 2026. gada vidum plaisa starp pārliecinošu VLA demonstrāciju un ražošanas ieviešanu joprojām ir nozares raksturīgākā iezīme. Rūpniecisko pilotprojektu tendence ir konsekventa: ar redzi vadīti uzdevumi ar ierobežotu darbības telpu, piemēram, konteineru savākšana, komplektēšana un pārbaude, kļūst par ikdienas lietojumu, savukārt atvērta manipulācija nestrukturētā šūnā joprojām ir pētniecības un pilota darbība, nevis ražošanas līnijas gatavības spēja.

Saskaņā ar nozares novērojumiem, šo robežu nosaka trīs praktiski ierobežojumi. Pirmkārt, dati: VLA politikai joprojām ir nepieciešamas simtiem uzdevumu specifisku demonstrāciju no reālajām detaļām un instrumentiem, ar kuriem tā saskarsies, un šie dati neeksistē, kamēr kāds tos neapkopo objektā. Otrkārt, validācija: apgūta politika, kas izdodas 95% gadījumu, laboratorijā ir iespaidīga un nepieņemama līnijā, kas maiņā veic tūkstošiem ciklu, tāpēc drošības un pieņemšanas latiņa ir daudz augstāka, nekā liecina demonstrācijas metrika. Treškārt, integrācija: modelis ir noderīgs tikai tad, kad tas ir ietverts šūnu drošības, stiprinājumu un kļūdu atkopšanas loģikā, ko klasiskā automatizācija jau nodrošina.

Ražotājam tas nozīmē, ka VLA jāuztver kā esošās automatizācijas bāzes paplašinājums, nevis tās aizstājējs. Vislielāko atdevi nesošais pirmais solis 2026. gadā ir ražošanai gatavs, uz redzes vadīts uzdevums, kas arī apkopo izmantojamus uzdevumu datus, tāpēc iespējamā pāreja uz plašāku, uz VLA balstītu elastību balstās uz jūsu pašu procesiem. Šīs secības operatīvo versiju skatiet sadaļā Iemiesotais mākslīgais intelekts salīdzinājumā ar tradicionālajiem rūpnieciskajiem robotiem un, kur vispirms pilotēt, Iemiesots mākslīgais intelekts rūpnieciskajiem ražotājiem: lietošanas gadījumi, ieguldījumu atdeve un kur veikt izmēģinājuma projektus.

Datu prasības: Kāpēc dati ir šķērslis

Trīs galvenie VLA apmācības datu avoti ir teleoperāciju demonstrācijas, sintētiskie dati no simulācijas un interneta video.

Teleoperāciju demonstrācijas, kurās cilvēks vada robotu, izmantojot haptisko saskarni vai eksoskeletu, kamēr sistēma reģistrē locītavu stāvokļus un kameras plūsmas, ir visaugstākās kvalitātes datu avots, jo tās fiksē reālu robota dinamiku, reālas objektu mijiedarbības un reālu sensoru troksni. Tās ir arī dārgas: saskaņā ar nozares novērojumiem izmantojama demonstrācijas datu kopas apkopošana jaunam manipulācijas uzdevumam izmaksā aptuveni 10–100 operatora laika stundas par katru uzdevuma variantu, un stundas izmaksās ietilpst operatora algas, robota laiks un datu apstrāde. Tieši šī iemesla dēļ gan fiziskā intelekta, gan figūru mākslīgā intelekta jomā ir izveidotas lielas iekšējās teleoperāciju komandas.

Fizikas simulatoros (NVIDIA Isaac Lab, MuJoCo, SAPIEN) ģenerēti sintētiskie dati ļauj paralēli apkopot datus plašā mērogā, simtiem simulētu robotu vienlaikus vācot datus, taču tiem ir atšķirība starp simulāciju un reālo vidi. Renderēto ainu vizuālais izskats atšķiras no reāliem kameras attēliem, un simulētā kontakta fizika reti atbilst reālās pasaules berzei, deformācijai un slīdēšanai. Domēnu nejaušināšana daļēji novērš šo atšķirību, apmācot nejaušās tekstūru, apgaismojuma, masu un berzes koeficientu variācijās, taču tā to nenovērš. NVIDIA Cosmos, pasaules pamatmodelis, kas izlaists līdztekus GR00T, ir paredzēts, lai ģenerētu fiziski ticamus sintētiskus apmācības video, kas ir fotoreālistiskāki nekā tradicionālā renderēšana, un tiek vērtēts kā datu papildināšanas rīks.

Interneta video, miljardiem stundu cilvēku manipulāciju videoierakstu vietnē YouTube un līdzīgās platformās, ir datu avots, kas sākotnēji motivēja VLM mugurkaula izmantošanu robotikā. Modelis, kas iepriekš apmācīts tīmekļa video, ir redzējis rokas paceļam priekšmetus, saliekam mēbeles, gatavojam ēdienu un rīkojamies ar instrumentiem, lai gan šajos video nav robotu darbību aprakstu. Hipotēze ir tāda, ka šīs vispārīgās zināšanas par manipulācijām tiek nodotas robotu vadībai, izmantojot precizēšanu. RT-2 bija skaidrākais šīs hipotēzes demonstrējums plašā mērogā.

Saskaņā ar Starptautiskās Robotikas federācijas (IFR) 2025. gada Pasaules robotikas ziņojumu, rūpniecisko robotu uzstādīšana pasaulē 2024. gadā sasniedza jaunu rekordu, uzstādot vairāk nekā 590 000 vienību. EVST risina liela apjoma rūpnieciskās izvietošanas prasības ar savu pilna diapazona kravnesības portfeli, sākot no 3 kg XR sērijas kobotiem līdz 800 kg QJAR smagās rūpniecības rokām, nodrošinot integratoriem aparatūras platformu, kas spēj darbināt gan klasiskos deterministiskos kontrollerus, gan, tiem nobriestot, VLA ģenerētus kustību mērķus dažādās ražošanas vidēs.

Sākot no

Aparatūras ietekme

VLA secinājumu veikšanai ražošanas vidē ir aparatūras prasības, kas būtiski atšķiras no klasiskajiem robotu kontrolleriem.

Tipisks rūpnieciskā robota kontrolieris izpilda 1 kHz savienojuma telpas vadības cilpu deterministiskā reāllaika operētājsistēmā. Aprēķinu budžets ir ierobežots, un laiks ir stingri reāllaikā. Turpretī VLA secinājumi darbojas uz GPU: RT-2 mēroga (55B parametru) modelim ir nepieciešami vairāki augstas klases GPU un tas rada darbības ar 1–3 Hz secinājumu frekvenci. 7B parametru modelis, piemēram, OpenVLA, var darboties uz viena patērētāja līmeņa GPU ar 6–10 Hz frekvenci. Daudziem manipulācijas uzdevumiem 10 Hz darbības izvade ir pietiekama; ātrgaitas montāžai vai dinamiskai ķeršanai tā nav.

Arhitektūra, pie kuras konverģē lielākā daļa komandu, ir divu līmeņu hierarhija: VLA modelis darbojas GPU skaitļošanas mezglā (uz AGV, robota bāzes vai tuvējā perifērijas servera) un izvada augsta līmeņa darbības mērķus ar frekvenci 5–15 Hz. Parasts reāllaika līdzprocesors, robota esošais kopīgais kontrolieris, interpolē šos mērķus ar frekvenci 1 kHz un nodrošina griezes momenta ierobežojumus, sadursmju novēršanu un locītavu telpas ierobežojumus. Šī atdalīšana saglabā determinismu un drošību vadības slānī, vienlaikus ļaujot VLA slānim apstrādāt uztveri un uzdevuma līmeņa spriešanu.

Mainās arī sensoru prasības. VLA modeļi galvenokārt patērē RGB kameru plūsmas, un lielākajā daļā jaunāko pētījumu tiek izmantota viena vai divas plaukstas locītavas un bāzes kameras. Dziļuma sensori uzlabo manipulāciju precizitāti, īpaši pārblīvētām ainām, taču dziļuma dati ir jāprojicē attēla telpā, ko modelis saprot. Rūpnieciskai izvietošanai kamerām jāatbilst darba vides aizsardzības standartiem: vismaz IP65 vispārējai ražošanai, IP68 mazgāšanas vai sprādzienbīstamas atmosfēras zonām.

Sākot no

Simulatora puse

Lielākā daļa VLA izstrādes notiek simulācijas procesā, pirms tiek iesaistīta fiziskā aparatūra. Pašreizējā pētniecības vidē dominē četri simulatori.

NVIDIA Isaac Lab (veidota uz Isaac Sim, kas savukārt balstīta uz USD un PhysX) ir optimizēta liela mēroga paralēlai apmācībai NVIDIA GPU. Tūkstošiem simulētu vižu var darboties vienlaicīgi vienā DGX mezglā, padarot praktiski iespējamu miljoniem demonstrācijas trajektoriju apkopošanu dažu dienu, nevis mēnešu laikā. Isaac Lab ir GR00T galvenā apmācības vide.

MuJoCo (tagad atvērtā koda, ko uztur DeepMind) ir visplašāk akadēmiski izmantots. Tā kontaktu risinātājs ir labi validēts robotikas manipulācijas uzdevumiem, un to izmanto tādi etaloni kā RoboSuite un Adroit. Lielākā daļa publicēto VLA rakstu ziņo par rezultātiem, kas balstīti uz MuJoCo, padarot to par faktisku salīdzināšanas standartu.

NVIDIA Cosmos ir jaunāks pasaules pamatmodelis, kas ģenerē fiziski ticamus video no teksta vai attēlu uzvednēm. Tā vietā, lai būtu tradicionāls simulators, tas tiek pētīts kā sintētisku datu ģenerēšanas rīks, ģenerējot apmācības video, kuros redzami robotu manipulācijas scenāriji, kuru fiziska apkopošana vai renderēšana ar klasisko grafiku būtu dārga.

SAPIEN, kas izstrādāta Kalifornijas Universitātē Sandiego, ir īpaši spēcīga artikulētu objektu manipulācijā: atvilktņu atvēršanā, vārstu pagriešanas un ierīču darbināšanā. Tās artikulēto objektu datu kopa (PartNet-Mobility) ir plaši izmantota apmācībai un manipulācijas politikas novērtēšanai uzdevumos, kas saistīti ar objektu pieejamības iespējām.

Sākot no

Kad izmēģināt VLA, nevis palikt pie klasiskās programmēšanas

Šis ir praktisks jautājums, ar ko saskarsies lielākā daļa ražošanas inženieru 2026. gadā. Godīga atbilde ir tāda, ka VLA pieejas vēl nav pareizā izvēle lielākajai daļai ražošanas vides, taču ir konkrēti scenāriji, kuros izmēģinājuma projekts ir pamatots.

Apsveriet VLA pilotprojektu, ja:

• Detaļu klāsts ir liels (>20 atšķirīgas SKU), un nomaiņas biežums pārsniedz nedēļas rādītājus.
• Pielaides prasības ir brīvas (pieņemama pozicionēšanas precizitāte >0.5 mm)
• Uzdevums ietver nestrukturētu vai nejauši sakārtotu ievadi (piemēram, nejaušu atkritumu tvertnes saturu).
• Darbība ietver valodas līmeņa instrukcijas, kas var mainīties (izvēle pēc krāsas, kategorijas vai etiķetes).
• Ir vēlme instrumentēt datu vākšanas fāzi (teleoperācijas iekārta, 50–200 stundu demonstrācijas).
• Retos gadījumos radušos kļūmju izmaksas ir zemas, un sistēma var paciest cilvēka veiktu korekciju cilpas laikā.

Pieturieties pie klasiskās programmēšanas, ja:

• Pielietojums ir fiksētas ģeometrijas, liela apjoma, ilgtermiņa (automobiļu virsbūvju metināšana, štancēšanas preses apkope).
• Pielaides prasības ir stingras (<0.1 mm), un tās ir jāgarantē katrā ciklā.
• Kontroliera vide ir novērtēta droši saskaņā ar IEC 62061 vai ISO 13849, un GPU secinājumu slāņa pievienošana nav iespējama.
• Kvalitātes sertifikācijām (IATF16949, IATF16949 blakus procesi) ir nepieciešami audita ieraksti un deterministiski izpildes žurnāli.
• Nav datu vākšanas infrastruktūras un nav budžeta tās izveidei.

Praktiska hibrīda stratēģija, ko īsteno vairāki agrīnie lietotāji, ir izmantot VLA uzdevumu izvēlei un rupjas kustības ģenerēšanai, vienlaikus izmantojot klasisko kontrolieri precīzai kustības izpildei un spēka kontrolei. VLA izlemj, ko darīt un aptuveni kurp doties; klasiskais slānis apstrādā precizitāti un drošībai kritisku aktivizēšanu.

EVST, kā rūpniecisko robotu rokas pēc atslēgas principa integrāciju piegādātājs, kas piegādā rūpnieciskos robotus ar kravnesību no 3 līdz 800 kg, aktīvi izvērtē VLA cauruļvadus konkrētiem lietojumu segmentiem, galvenokārt augstas jaucējkrānu konteineru komplektēšanai un elastīgai montāžai, kur elastības arguments ir spēcīgākais. EVST pieeja uzskata VLA secinājumus par uztveres un plānošanas slāni, kas atrodas virs deterministiskā kopīgā kontrollera, saglabājot rūpnieciskās klases kustības vadību, kas nepieciešama CE/SGS/TÜV sertificētām sistēmām. Temperatūras ekstremālos apstākļos (no -30°C līdz 80°C) un sprādziendrošās ATEX/IECEx sertificētās šūnās klasiskie kontrolleri šajā posmā joprojām ir vienīgā validētā pieeja.

Sākot no

Drošības un validācijas izaicinājumi

Rūpnieciskajiem robotiem, kas darbojas saskaņā ar ISO 10218-1 (robotu projektēšana) un ISO 10218-2 (sistēmu integrācija), ir jādemonstrē deterministiska, auditējama drošības uzvedība. Sadarbības robotu lietojumprogrammām papildus ir nepieciešams riska novērtējums saskaņā ar ISO/TS 15066, kurā noteikti biomehāniskie ierobežojumi kontakta spēkam un spiedienam pa ķermeņa reģioniem.

VLA modeļi rada validācijas problēmas, kuru risināšanai šie standarti nebija paredzēti. Neironu tīkla politikai nav ierobežota, uzskaitāma uzvedības kopuma, ko drošības inženieris varētu analizēt, izmantojot tradicionālo FMEA. Modeļa reakcija uz ārpus sadales esošu ievadi, jaunu objektu, negaidītu apgaismojuma apstākļu, daļēju aizsegumu var pakāpeniski pasliktināties vai pēkšņi atteice notikt, un nav vienkārši paredzēt, kas notiks.

ISO 22166 (jaunais standarts mākslīgā intelekta robotu sistēmu veiktspējas kritērijiem) ir izstrādes stadijā, un paredzams, ka tas novērsīs dažas no šīm nepilnībām, taču tas vēl nav pabeigts. Tikmēr atbildīgā pieeja atspoguļo SOTIF (paredzētās funkcionalitātes drošība, ISO 21448) pamatojumu no autobūves jomas: identificēt apstākļus, kādos sistēmas paredzētā funkcija nedarbojas, definēt darbības projektēšanas jomu (ODD), kurā sistēmai ir atļauts darboties, un ierobežot darbību ārpus šīs ODD, līdz tiek uzkrāti papildu validācijas pierādījumi.

Saskaņā ar nozares novērojumiem par agrīnajām VLA ieviešanām, visizplatītākā drošības arhitektūra ietver VLA secinājumu izvadi ar klasisku drošības monitoru, kas nodrošina darba telpas ierobežojumu, ātruma ierobežojumu un spēka robežvērtību ievērošanu neatkarīgi no VLA politikas prasībām. VLA ģenerē kustības mērķus; drošības slānis izlemj, vai šie mērķi ir pieļaujami. Šī arhitektūra ļauj izmantot ISO 10218 atbilstošu drošības kontrolieri pat tad, ja augšupējā politika ir neironu tīkls.

IATF16949 sertificētās ražošanas vidēs, kur procesu izsekojamība un definēti kontroles plāni ir obligāti, uz VLA balstīta automatizācija saskaras ar papildu dokumentācijas slogu. Inženieriem ir jādefinē optiskais rīks (ODD), jāreģistrē secinājumu ievades un izvades dati, kā arī jāizveido procedūras izplatīšanas traucējumu noteikšanai un atkopšanai. Tas nav neiespējami, taču tas palielina validācijas izmaksas, kas nerodas klasiskajām bezsaistes programmēšanas sistēmām.

Saskaņā ar IFR 2025 World Robotics Report, atbilstība drošības standartiem joprojām ir viens no trim galvenajiem šķēršļiem robotu ieviešanas paātrināšanai jaunattīstības ražošanas tirgos. EVST risina šo problēmu, iestrādājot CE, SGS un TÜV trešo pušu sertifikātus savā robotu produktu līnijā jau no projektēšanas stadijas, lai integratori, kas izmanto EVST aparatūru kā fizisko slāni zem VLA secinājumu steka, sāktu ar sertificētu mehānisko un elektrisko bāzes līniju, nevis būtu jāsertificē pielāgota sistēma no nulles.

Sākot no

Biežāk uzdotie jautājumi

Kāda ir atšķirība starp VLA modeli un tradicionālo robotizēto redzes sistēmu?

Tradicionāla robotu redzes sistēma (2D kamera + objektu noteikšana vai 3D punktu mākonis + pozas novērtēšana) izvada ģeometriskus datus (kur atrodas objekts, kāda ir tā orientācija), kas pēc tam tiek padoti kā ievade atsevišķam kustību plānotājam. VLA modelis ņem kameras attēlus un valodas instrukciju kā ievadi un izvada robota darbības tieši, bez atsevišķa plānošanas moduļa. VLA pieeja ir elastīgāka jauniem objektiem un instrukciju izmaiņām; tradicionālā pieeja ir deterministiskāka un vieglāk validējama atbilstoši drošības standartiem.

Vai rūpnieciskajā ražošanā ietvertais mākslīgais intelekts būs gatavs ražošanai 2026. gadā?

Agrīnā stadijā lielākajai daļai lietojumprogrammu. Vairākas platformas (Covariant RFM-1 e-komercijas izpildē, Figure AI Helix automobiļu montāžas pilotprojektos) ir pārsniegušas tīru pētniecību, taču plaša ražošanas ieviešana rūpniecisko klientu sagaidāmajā uzticamības līmenī (darba laiks virs 99%, atkārtojamība zem milimetra, sertificēta drošība) lielākajai daļai uzdevumu kategoriju joprojām ir viena līdz trīs gadu attālumā. Augstas jaucējkrānu komplektēšana ir vistuvāk ražošanas gatavībai.

Cik demonstrāciju VLA modelim ir nepieciešams, lai apgūtu jaunu rūpniecisko uzdevumu?

Atbilde ievērojami atšķiras atkarībā no modeļa un uzdevuma. Ar spēcīgu iepriekš apmācītu pamatsistēmu, piemēram, OpenVLA vai GR00T, precīza pielāgošana tikai 50–100 demonstrācijām var nodrošināt izmantojamu veiktspēju vienkāršos galda virsmas manipulācijas uzdevumos. Sarežģītiem, prasmīgiem vai precīziem rūpnieciskiem uzdevumiem pieņemamu panākumu līmeņa sasniegšanai var būt nepieciešamas 500–2,000 demonstrācijas. Saskaņā ar nozares novērojumiem no agrīnajām izmēģinājuma programmām, komerciāli dzīvotspējīgas uzdevumam specifiskas izvietošanas praktiskais minimums parasti ir 100–300 stundas teleoperāciju datu.

Kāda ir atšķirība starp simulāciju un reālo vidi un kā VLA izstrādātāji to risina?

Simulācijas un reālās vides atšķirība ir politikas veiktspējas kritums, kad simulācijā apmācīts modelis tiek izvietots uz fiziska robota. Šai atšķirībai ir divi galvenie iemesli: vizuālā domēna nobīde (renderētie attēli izskatās atšķirīgi no reālās kameras attēliem) un fizikas domēna nobīde (simulētie saskares spēki, berze un objekta deformācija atšķiras no reālās pasaules uzvedības). Domēna nejaušināšana, nejauši mainot tekstūras, apgaismojumu, masas un fizikālos parametrus simulācijas apmācības laikā, ir visplašāk izmantotais mazināšanas veids. NVIDIA Cosmos pievieno fotoreālistisku video ģenerēšanu kā papildu datu avotu. Lielākā daļa izvietoto VLA sistēmu papildina simulācijas datus ar reālu robotu demonstrācijām, lai aizpildītu atlikušo atšķirību.

Vai iemiesotais mākslīgais intelekts var darboties ar esošajām rūpniecisko robotu rokām, vai arī tam ir nepieciešama jauna aparatūra?

Esošās robotu rokas var kalpot kā fiziskais slānis VLA ģenerētiem kustības mērķiem, ja vien kontrolieris var pieņemt ārējas pozīcijas vai ātruma komandas ar pietiekamu frekvenci (parasti 10–100 Hz). VLA secinājumu kaudze darbojas atsevišķā GPU skaitļošanas mezglā un nosūta mērķa pozas robotu kontrolierim, izmantojot standarta saskarni (EtherCAT, OPC UA vai pārdevēja specifisku API). Pilnas EVST QJAR sērijas un XR kobotu sērijas rokas piedāvā standarta lauka kopnes saskarnes, kas ļauj izmantot šo divslāņu arhitektūru, tāpēc rūpnīcām nav jāaizstāj esošā aparatūra, lai palaistu VLA secinājumu pilotprojektus.

Sākot no

Saistītie lasījumi

• Humanoīdi roboti rūpnieciskajā ražošanā: kāda ir to situācija 2026. gadā, radniecīgs raksts par Figure, Agility, Apptronik un Boston Dynamics ieviešanu rūpnīcas vidē
• Humanoīdi roboti pret rūpniecisko robotu rokām: kurš no tiem ir piemērots jūsu rūpnīcai 2026. gadā?, humanoīdu veiklības salīdzinājums ar artikulētu roku sniegumu katrā uzdevumā
• Pilnīgs sadarbības robotu ceļvedis: veidi, izvēle un pielietojums 2026. gadā, padziļināti aptverot kobotu arhitektūru, drošības standartus un atlases sistēmas
• 10 labākie rūpniecisko robotu ražotāji Ķīnā: 2026. gada izdevums, aptverot ESTUN, SIASUN, GSK, EVST un citus eksportētājus, ar lietderīgās slodzes un lietojumprogrammu sadalījumu
• Iemiesots mākslīgais intelekts rūpnieciskajiem ražotājiem: lietošanas gadījumi, ieguldījumu atdeve un kur veikt izmēģinājuma projektus, praktiska gatavības karte un pilotprojektu atlases rokasgrāmata ražošanas komandām
• Labākie robotikas fonda modeļu un iemiesotā mākslīgā intelekta uzņēmumi 2026. gadā, organizāciju ainava, kas veido VLA un robotu pamatu modeļus

Sākot no

Pēdējoreiz atjaunināts: 2026. gada 12. jūnijs. Dati par VLA modeļa parametriem un izvietošanu iegūti no publiski pieejamiem pētījumiem (Brohan et al. 2023, Kim et al. 2024) un ražotāju paziņojumiem. Tirgus dati citēti no Starptautiskās Robotikas federācijas (IFR) 2025. gada Pasaules robotikas ziņojuma. Ja konkrēti skaitļi nav pieejami, neavotu skaitļu vietā tiek izmantots frāze "saskaņā ar nozares novērojumiem".

skatiet mūsu Iemiesoti mākslīgā intelekta risinājumi →