Компания Simplexity Robotics, занимающаяся разработкой комплексных решений в области воплощенного искусственного интеллекта (embodied AI), заявила, что обучила одного робота самостоятельно обслуживать два станка с ЧПУ. Робот загружает детали в патроны с зазором около 0,5 миллиметра и выгружает их после обработки. Фэн Цзунбао, руководитель отдела обучения с подкреплением в компании, представил эту разработку на Tech Talk в рамках конференции IROS 2026 в Питтсбурге 29 сентября. 8 октября Leiphone опубликовал отредактированную стенограмму выступления. Для обучения использовалось 600 реальных траекторий робота.
Компания позиционирует эту задачу как «роботы производят роботов», поскольку с помощью станков с ЧПУ изготавливаются шарниры, патроны и прецизионные детали. Фэн подчеркнул разрыв между лабораторными тестами и заводской точностью: малый зазор практически не допускает ошибок при позиционировании, отражающие металлические поверхности и слабые текстуры затрудняют работу систем технического зрения, детали со схожим внешним видом легко перепутать, а ключевые контактные поверхности часто скрыты от камер в тесном рабочем пространстве.
За генерацию действий, память и выбор действий отвечают три компонента. SimpleWAM, модель действий в реальном мире от компании, в процессе обучения реконструирует будущие видеокадры, 3D-состояния и блоки действий, а при выполнении напрямую принимает текущие изображения, 3D-состояние и инструкцию, выдавая действия. Признаки с камер на голове и запястье объединяются адаптивно, чтобы ни один из видов не доминировал над другим. В стандартных испытаниях объединенный подход обеспечил 15 успешных выполнений по сравнению с 8 у базовой модели π0.5, обученной с помощью контролируемого дообучения (supervised fine-tuning).
DRAM, рекуррентная ассоциативная память на основе дельта-правила (Delta-Rule Recurrent Associative Memory), подключается к замороженной предварительно обученной политике и сохраняет контекст предыдущих шагов в матрице памяти фиксированного размера, благодаря чему ее объем не увеличивается в ходе длительной задачи. DPE оценивает кандидатные блоки действий с помощью отдельно обученного оценщика, в то время как генератор действий остается замороженным; успешные и неудачные прогоны обновляют только оценщик, что, по утверждению компании, позволяет избежать смещения политики, одновременно повышая процент успеха и сокращая количество шагов выполнения.
Поскольку только визуальная информация не может показать правильность установки детали, показания силы и крутящего момента поступают как на вход состояния политики, так и на вход контроллера импеданса в реальном времени, который помогает восстановить работу при блокировке прямого введения. Simplexity сообщила о 100% успешности выполнения задачи прецизионной установки на станке с ЧПУ. Этот показатель относится к задаче установки, а не к общей производительности всей ячейки, и в выступлении не было указано количество испытаний, на основе которых он был получен.
Демонстрация, показанная в пятикратном ускорении, включала захват заготовки, загрузку в патрон, а также снятие и размещение готовой детали. Задача выполнялась на колесном роботе компании i7 Pro, одном из четырех аппаратных решений наряду с разработческой платформой SimpleClaw.
СМОТРИТЕ ТАКЖЕ:Simplexity Robotics: 11-месячный стартап в области воплощенного ИИ поставил 100 роботов на производственные линии · Galbot и LATENT от Tsinghua получили награду IROS за удар слева в исполнении человекоподобного робота-теннисиста
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
