Исследователи CASIA повысили успешность введения деталей роботом с помощью тактильного сенсора

Шестирукий человекоподобный робот MIRO U от Midea за последние три месяца работал на фабрике компании по производству стиральных машин в Уси, где он выполнил установку винтов на задней панели 100 000 таких машин.

Эти данные были представлены руководителем центра инноваций в области воплощенной робототехники KUKA во время медиа-тура, который был организован Гуандунским департаментом промышленности и информационных технологий в середине или конце октября, согласно сообщению Time Finance, опубликованному в QQ News.

В лаборатории Глобального инновационного центра Midea в Шунде, Фошане, журналисты наблюдали, как MIRO U закручивает винты со средней скоростью шесть винтов примерно за 10 секунд, при этом заявленный процент успешного выполнения задачи составил 99,8 процента.

Компания Midea, владеющая немецким производителем роботов KUKA, считает шестирукое решение практичным. Двурукие человекоподобные роботы обладают гибкостью, однако их эффективность составляет лишь около 30 процентов от эффективности человека, чего недостаточно для производственной линии бытовой техники. Использование шести рук на одной машине позволяет ее производительности на квадратный метр площади соответствовать уровню квалифицированных работников.

Midea впервые представила MIRO U в декабре 2025 года как третьем поколении своей линейки человекоподобных роботов. Этот колесный робот способен самостоятельно подниматься вертикально и вращаться на 360 градусов на месте. Компания следует новаторскому подходу: роботы сначала проходят проверку на собственных заводах по производству стиральных машин в Цзинчжоу и Уси, а также на логистическом складе в Уху, прежде чем предлагаться внешним заказчикам.

MIRO U является частью более широкого тренда в провинции. По данным отчета, к сентябрю в производственных компаниях Гуандуна было размещено более 2000 человекоподобных роботов, которые работают в реальных производственных условиях, и ожидается, что к концу года их число превысит 3000.

Другие примеры с тура демонстрируют переход работы человекоподобных роботов от демонстраций к задачам, поддающимся измерению. В штаб-квартире X Square Robot в Шэньчжэне двухрукий робот переворачивает посылки так, чтобы их этикетки были обращены вверх, сортируя более 1800 упаковок в час. Компания AI² Robotics сообщила, что ее роботы используются на предприятиях полупроводникового дисплея, автомобилестроения и биофармацевтики, однако руководители все еще считают полномасштабное внедрение далеким будущим.

Руководитель Huayan Robotics отметил, что решения, хорошо работающие в симуляции, часто теряют точность в реальных мастерских из-за изменения освещения, вариаций деталей, вибрации, давления масла и ограничений по времени цикла.

Официальные данные Гуандуна показывают, что в 2025 году провинция произвела 336 300 промышленных роботов, что составляет 43,5 процента от общенационального объема, а Дельта Жемчужной реки способна создавать прототипы в течение 48 часов и поставлять небольшие партии в течение семи дней.

Исследователи из Университета Цинхуа, Infinigence AI и AgiBot представили подход обучения, названный Коллективное Обучение Опытом (Collective Experience Learning, или CEL). Этот метод позволяет роботам учиться на успехах других роботов, вместо того чтобы полагаться преимущественно на демонстрации со стороны человека.

Согласно сообщению, опубликованному QbitAI 30 октября, команда проверила эту методику на кластере из 96 реальных роботов. Соответствующая научная статья доступна на arXiv под номером 2610.25736.

Исходная проблема, которую решают исследователи, связана с трудовыми ресурсами. Роботы совершенствуются, накапливая практический опыт, однако сегодня это чаще всего достигается путем многократного повторения движений человеком или вмешательства оператора для исправления ошибок. Хотя роботов можно развернуть сотнями, квалифицированных операторов невозможно масштабировать в таком же темпе.

При использовании CEL успешный опыт, полученный одним роботом, сохраняется и делится, что дает возможность роботу, столкнувшемуся с задачей, изучить, как его коллеги разрешали схожие ситуации.

Тестирование задач и результаты

Команда протестировала пять различных задач, охватывающих как домашнюю, так и заводскую работу: раскладывание цветов, складывание одежды, зарядка телефона, сборка табурета и упаковка телефона. Два робота, которые не участвовали в тренировке, выполнили 600 испытаний, допустив 15 неудач, что обеспечило общий процент успеха в 97,5 процента. Процент успеха по всем пяти задачам превысил средний показатель шести человеческих операторов.

В частности, при упаковке телефона, которая является многоэтапной промышленной задачей, процент успеха вырос с 79,2 процента до 98,3 процента после применения коллективного обучения, при этом в 120 последовательных попытках было зафиксировано всего два сбоя.

Также была отмечена тенденция к масштабированию: при сохранении того же объема реального времени обучения увеличение числа участвующих роботов с 16 до 96 повысило успех с 86,7 процента до 98,3 процента.

Технические компоненты системы

Функционирование этой системы обеспечивают два ключевых элемента. Первый — отказоустойчивая асинхронная система обучения, получившая название FATS. Эта система построена на открытой платформе крупномасштабного обучения с подкреплением RLinf. Роботы загружают свой опыт сразу после завершения задачи, не дожидаясь остальных, а кластер продолжает работать, даже если устройства отключаются.

В ходе теста с 96 роботами кластер собрал 9 834 эпизода. Двадцать два робота имели в общей сложности 30 сбоев, однако потеря времени роботов составила лишь 1,3 процента от общего времени работы.

Второй компонент — алгоритм, который называется тонкая настройка извлечения опыта, управляемого ошибками (failure-guided experience retrieval fine-tuning, или FERT). Одна манипуляция может длиться минуты и включать тысячи шагов действий, но обратная связь часто сводится только к конечному успеху или неудаче. FERT использует оба этих аспекта: когда робот сталкивается с трудностями, он извлекает успешный опыт из аналогичных ситуаций и фокусирует обучение именно на этих примерах.

Сообщение было предоставлено Infinigence AI. Результаты представлены исследовательской группой и еще не прошли независимую проверку.

Компания Xiaomi раскрыла результаты своих исследований в области бионической руки с высокой степенью свободы, предназначенной для выполнения производственных задач. Эти детали были опубликованы через официальный технологический канал компании 27 октября. Важно отметить, что это обновление исследовательского процесса, а не коммерческий запуск; компания пока не предоставила информацию о цене, доступности или партнерах.

Концепция дизайна была разработана на основе существующих рабочих процессов в самой компании. Команда робототехники Xiaomi взяла 2 579 стандартных операционных процедур из 16 различных типов рабочих мест на пилотном производственном центре отдела интеллектуального производства для их электромобилей. Из этого объема было отобрано 1 827 процедур для видео- и захвата движения.

Согласно данным компании, полученный набор данных охватывает более 70,8 процента ручных операций на этих типичных станциях. Используя эти данные, а также анализ частоты использования каждой степени свободы, совместного движения суставов и испытания на абляцию в симуляции захвата, Xiaomi пришла к выводу, что 21 степень свободы представляет собой оптимальный баланс для заводских работ.

По сравнению с моделями, имеющими от шести до пятнадцати степеней свободы, компания сообщает о среднем увеличении успешности стабильного захвата на 15–38 процентов. При этом, превышение порога в 23 степени свободы показало явное снижение отдачи. Эти показатели получены в ходе собственной оценки Xiaomi.

Аппаратное обеспечение представляет собой гибридный привод: большая часть системы приводится в движение сухожилиями, а пять степеней свободы реализованы через прямое приведение, что в сумме составляет 26 моторов. Моторы, расположенные в предплечье, а не в самой кисти, позволяют сохранить массу ладони на уровне 324 граммов. По мнению команды, это снижает инерцию в конце руки и улучшает реакцию управления. Контроль натяжения сухожилий отвечает за силу захвата.

Система тактильного зондирования очень плотная: вся ладонь оснащена 1 500 сенсорными точками. Расстояние между пальцами и под ними составляет 1 миллиметр, а в ладони — 2 миллиметра. Эти модули спроектированы таким образом, чтобы их можно было легко менять и обслуживать. Xiaomi отмечает, что такая конфигурация полезна не только для захвата предметов, но и для сбора тактильных данных с человеческой руки, поскольку расположение сенсоров соответствует перчатке, которую использовала команда ранее.

Поскольку размещение 26 моторов в кисти генерирует тепло, команда разработала модель прогнозирования тепловыделения и специальную теплоотводящую ткань. Эта модель позволяет предсказывать изменения температуры на пять-десять минут вперед с погрешностью лучше трех градусов Цельсия, что дает возможность заблаговременно запланировать охлаждение.

Xiaomi уже более года интегрирует свой собственный автомобильный завод в работу своей робототехнической разработки, и данная бионическая рука отражает этот цикл: производственные процедуры поступают на вход, а технические характеристики — на выход.