Apakah yang didedahkan oleh Xiaomi melalui robot humanoid 66-DoF baharu mereka? Pada WRC 2026, syarikat tersebut mempamerkan prototaip bipedal generasi seterusnya secara terbuka yang dibina berdasarkan ketangkasan tangan yang lebih tinggi serta keupayaan melaksanakan tugas industri, manakala penyelidikan robotik meluas Xiaomi semakin menumpukan perhatian kepada VLA dan model asas terkandung (embodied foundation models). Memandangkan kecerdasan buatan fizikal mengubah cara kecerdasan digital berantara muka dengan dunia fizikal, para pembangun mesti menilai cara timbunan perisian standard menyesuaikan diri dengan persekitaran terkandung. Robotik industri tradisional sering bergantung pada persekitaran yang sangat berstruktur, pengaturcaraan khusus tugas, dan kawalan berasaskan model. Hari ini, memandangkan sistem canggih menyepadukan persepsi pelbagai mod secara langsung ke dalam gelung kawalan masa nyata, keutamaan kejuruteraan beralih ke arah model asas penglihatan-bahasa-tindakan (VLA) yang boleh digeneralisasikan.
Sebab 33 DoF Tangan Penting untuk Manipulasi Industri
Secara Ringkas
- Prototaip bipedal generasi seterusnya mempunyai ketinggian kira-kira 1.70 meter, seberat 66 kilogram, dan memperluaskan mobiliti sendi kepada 66 darjah kebebasan.
- Manipulasi halus amat diutamakan, dengan 33 darjah kebebasan tumpuan di bahagian tangan bagi membolehkan pengendalian komponen industri yang fleksibel dan tidak standard dengan cekap.
- Ujian kilang awal memenuhi keperluan kitaran pengeluaran sekitar 76 saat; selepas empat bulan lelaran, Xiaomi melaporkan bahawa kadar kejayaan di stesen nat skru sendiri (self-tapping-nut) telah meningkat daripada 90.2% kepada 98%.
Kemunculan AI fizikal mengalihkan masalah perisian daripada interaksi berasaskan skrin kepada persepsi, perancangan, dan pelaksanaan fizikal. Daripada merender aset visual dan mengurus antara muka rata, pembangun kini merekabentuk sistem yang mampu menaakul persekitaran spatial tiga dimensi dan menyelaraskan trajektori bimanual berketepatan tinggi.
Ujian kilang Xiaomi menunjukkan bahawa syarikat itu mengutamakan tugas pembuatan boleh berulang sebelum pelancaran yang lebih meluas. Sebelum pameran awamnya, sistem bipedal tersebut melengkapkan latihan amali selama empat bulan di barisan pemasangan kenderaan elektrik Xiaomi, melaksanakan tugas seperti pemasangan nat skru sendiri dan pengendalian kotak bahan. Ujian awal memerlukan robot beroperasi dalam kitaran stesen kerja sekitar 76 saat. Selepas empat bulan lelaran, Xiaomi melaporkan bahawa kadar kejayaan di stesen pemasangan nat skru sendiri telah meningkat daripada 90.2% kepada 98%. Peralihan ini membuktikan bahawa robotik humanoid sedang bergerak melepasi demonstrasi berjalan asas ke arah operasi ketangkasan tinggi yang boleh berulang dalam persekitaran fizikal yang kompleks.
Memahami Seni Bina Teknikal Ekosistem Robot Humanoid Xiaomi
Di sebalik tabir, platform generasi seterusnya ini mewakili peningkatan ketara dalam reka bentuk mekanikal dan integrasi kecerdasan buatan berbanding prototaip CyberOne 2022. Walaupun CyberOne generasi pertama hanya menampilkan 21 darjah kebebasan sendi, model baharu ini meningkatkan angka tersebut kepada 66 darjah kebebasan sendi. Pexpansion mekanikal ini tertumpu terutamanya pada bahagian tangan, memperuntukkan sejumlah 33 DoF tangan untuk membolehkan kawalan motor halus, genggaman objek yang tepat, dan manipulasi alat yang teliti.
Secara berasingan, Xiaomi Robotics telah menerbitkan beberapa model AI terkandung dan projek penyelidikan di bawah rangka kerja bersatunya. Projek sumber terbuka ini termasuk model pelaksanaan masa nyata Xiaomi-Robotics-0, model berskala Xiaomi-Robotics-1 yang memanfaatkan lebih 100,000 jam trajektori dunia sebenar, serta model autoregresif bersatu 38B Xiaomi-Robotics-U0. Secara bersama, projek ini merangkumi penjanaan tindakan robot, polisi asas, dan pemodelan dunia terkandung. Walau bagaimanapun, bahan awam tidak mengesahkan bahawa prototaip WRC menjalankan mana-mana model ini sebagai timbunan kawalan pengeluarannya.
Saluran paip kawalan VLA konseptual yang dipermudahkan boleh diwakili sebagai:
[Input Visual / Bahasa]
│
▼
[Polisi Terkandung atau Model VLA]
│
▼
[Tindakan Robot / Perintah Pergerakan]
│
▼
[Pengawal Khusus Penjelmaan]
Arah penyelidikan ini menggambarkan peralihan yang lebih luas daripada polisi khusus tugas kepada model terkandung yang direka bentuk untuk memindahkan pengetahuan merentas pelbagai tugas dan konfigurasi robot. Dengan membangunkan model yang menterjemahkan input visual dan bahasa kepada tindakan robot atau isyarat kawalan peringkat tugas, pembangun boleh meneroka perisian yang digeneralisasikan merentas julat tugas dan penjelmaan yang lebih luas. Timbunan perisian mesti menyelaraskan input penderia pelbagai mod dengan anggaran keadaan khusus penjelmaan, perancangan pergerakan, dan kawalan peringkat rendah.
Kawalan Robot Tradisional vs. Model Asas VLA
Apabila keperluan fizikal pembangunan robotik bergerak melampaui navigasi mudah, pembangun mesti memilih cara untuk menstrukturkan lapisan kawalan robot mereka. Membina gelung kawalan tersuai menggunakan model matematik tradisional menawarkan ketepatan tinggi tetapi kekurangan kebolehsuaian terhadap persekitaran bukan standard. Sebaliknya, polisi pembelajaran berskala besar selalunya memerlukan data latihan yang jauh lebih banyak, namun mampu menawarkan kebolehsuaian yang lebih luas apabila liputan latihan dan penjajaran penjelmaan adalah mencukupi. Kawalan pra-aturcara semata-mata menjadi lebih sukar untuk diskonkan apabila kebolehubahan tugas dan kepelbagaian objek meningkat.
Penilaian Seni Bina: Kinematik Tradisional vs. VLA Generatif
Kawalan berasaskan model boleh menawarkan kelakuan yang tepat dan boleh dijangka, tetapi menyesuaikannya dengan persekitaran yang sangat boleh berubah sering memerlukan persepsi tambahan, perancangan, dan kejuruteraan khusus tugas. Pendekatan ini boleh memberikan kelakuan yang boleh dijangka dalam kekangan operasi yang ditentukan dengan baik. Membangunkan pengawal kinematik dalaman yang tersuai memerlukan sumber kejuruteraan yang besar untuk memetakan kekangan sendi dan menyelesaikan persamaan kinematik songsang dalam masa nyata. Sebaliknya, melancarkan model asas penglihatan-bahasa-tindakan (VLA) terlatih boleh menawarkan kebolehsuaian yang lebih besar bergantung pada liputan latihan dan penjajaran penjelmaan, dengan kos keperluan pengiraan tempatan yang lebih tinggi.
Jadual di bawah membandingkan metodologi standard untuk menguruskan kawalan robot dan pelaksanaan tugas:
| Paradigma | Kandungan Pergantungan Data Biasa | Kebolehsuaian | Ciri-ciri Masa Nyata | Terbaik Untuk |
|---|---|---|---|---|
| Kawalan Berasaskan Model / Kinematik | Rendah hingga sederhana | Kuat dalam kekangan yang ditentukan | Boleh dijangka dan selalunya pendam rendah | Pergerakan industri deterministik dalam persekitaran kilang yang sangat berstruktur |
| Pengklonan Kelakuan | Data demonstrasi | Terhad di luar taburan latihan | Bergantung kepada model | Tugas berulang yang dipelajari pada stesen kerja berstruktur dan pegun |
| Polisi VLA / Asas | Set data heterogen yang besar | Potensi lebih tinggi merentas tugas dan persekitaran | Kompleksiti pengiraan dan inferens yang lebih tinggi | Manipulasi tujuan am dan tugas bersyarat bahasa dalam tetapan dinamik |
Keputusan seni bina ini mempengaruhi secara langsung keupayaan fizikal robot di barisan pengeluaran. Dengan mengguna pakai model asas bersatu, sistem robotik boleh beralih daripada melaksanakan tindakan tunggal yang terpencil kepada melaksanakan tugas kolaboratif pelbagai peringkat dalam ruang kerja dinamik. Pasukan kejuruteraan mesti menilai paradigma perisian ini berdasarkan keupayaan perkakasan khusus mereka, kerumitan tugas, dan kekangan pelaksanaan masa nyata.
Senarai Semak Integrasi: Cara Pasukan Kejuruteraan Boleh Bersedia untuk Pembangunan Perisian Terkandung
Untuk memastikan kestabilan operasi dan pelaksanaan yang selamat apabila platform humanoid beralih ke persekitaran industri, pasukan kejuruteraan dan produk harus menetapkan alur kerja keselamatan, pengesahan, dan pelancaran.
Senarai Semak Pelaksanaan Pembangun
- Tentukan Sempadan Kawalan Terkekang Keselamatan: Pastikan had sendi, halaju, daya, dan ruang kerja berada di luar polisi yang dipelajari supaya tindakan yang tidak selamat boleh ditolak sebelum pelaksanaan.
- Sahkan Polisi dalam Simulasi dan Ujian Perkakasan Terkawal: Nilai kelakuan yang dipelajari dalam simulasi dan persekitaran robot sebenar yang berperingkat sebelum pelancaran pengeluaran.
- Ukur Pendaman Kawalan Hujung-ke-Hujung: Profilkan persepsi, inferens model, perancangan pergerakan, dan kawalan peringkat rendah secara berasingan untuk mengenal pasti kesesakan.
- Uji Kelakuan Luar Taburan (Out-of-Distribution): Nilai objek yang tidak dikenali, keadaan pencahayaan, susun atur, dan variasi tugas daripada hanya bergantung pada penanda aras taburan latihan.
- Reka Mod Kawalan Sandaran (Fallback): Sediakan pemulihan deterministik atau kelakuan henti selamat apabila polisi yang dipelajari menghasilkan tindakan dengan keyakinan rendah atau tidak sah.
Senarai Semak Produk & Strategi
- Tentukan Stesen Kerja Industri Bernilai Tinggi: Kenal pasti stesen pemasangan berulang dan berketepatan tinggi yang paling sesuai untuk integrasi robot.
- Wujudkan Saluran Paip Pengesahan Tugas: Manfaatkan sistem pemantauan pelbagai kamera untuk menilai kadar kejayaan tugas robot dalam masa nyata.
- Bina Antara Muka Perisian Merentas Penjelmaan: Pastikan sistem pengendalian robotik boleh berkomunikasi dengan rangkaian automasi kilang di sekelilingnya.
Dengan mewujudkan garispanduan berstruktur ini, pasukan pembangunan boleh memindahkan aplikasi mereka kepada seni bina yang lebih selamat dan patuh sambil mengekalkan kesinambungan operasi.
Soalan Lazim (FAQ)
Apakah perbezaan perkakasan utama antara CyberOne Xiaomi dan robot generasi seterusnya?
Apakah keputusan sebenar latihan amali kilang EV robot tersebut?
Mengapakah ketangkasan tangan dianggap sebagai ambang utama untuk robot humanoid industri?
Pengajaran Utama untuk Pasukan Kejuruteraan
Prototaip humanoid 66-DoF Xiaomi menunjukkan bagaimana pembangunan humanoid industri beralih daripada demonstrasi lokomosi ke arah tugas manipulasi yang boleh berulang. Dengan 33 darjah kebebasan tertumpu pada tangan dan ujian kilang yang merangkumi pemasangan nat, pengendalian komponen fleksibel, serta pengurusan bahan, ketangkasan dan kebolehpercayaan tugas semakin menjadi metrik kejuruteraan pusat.
Bagi pembangun, penyelidikan robotik meluas Xiaomi juga menggambarkan peranan yang semakin meningkat bagi polisi VLA dan model dunia terkandung di samping sistem kawalan konvensional. Cabaran praktikalnya bukanlah untuk menggantikan kawalan deterministik sepenuhnya, tetapi untuk menggabungkan polisi yang dipelajari dengan simulasi, kekangan keselamatan, pemprofilan pendaman, kelakuan sandaran, dan pengawal khusus penjelmaan sebelum melancarkan robot ke dalam persekitaran pengeluaran.
Rujukan
-
Robot Xiaomi dijadualkan membuat penampilan sulung awam pada Sidang Kemuncak Robot Sedunia 2026 pada 19 Ogos. https://www.gizmochina.com/2026/08/18/xiaomi-robot-set-to-make-public-debut-at-2026-world-robot-conference-on-august-19/
-
Xiaomi-Robotics-0: Model Penglihatan-Bahasa-Tindakan Sumber Terbuka dengan Pelaksanaan Masa Nyata. https://arxiv.org/abs/2602.12684
-
Xiaomi-Robotics-1: Penskalaan Model Penglihatan-Bahasa-Tindakan dengan Lebih 100K Jam Trajektori Dunia Sebenar. https://arxiv.org/abs/2607.15330
-
Xiaomi-Robotics-U0: Sintesis Terkandung Bersatu dengan Model Asas Dunia. https://arxiv.org/abs/2607.11643
-
Xiaomi kemas kini kemajuan robot humanoid di kilang kereta, capai kadar kejayaan 98% dalam beberapa tugas. https://technode.com/2026/07/15/xiaomi-updates-progress-on-humanoid-robots-in-auto-factory-achieves-98-success-rate-in-some-tasks/
Share this article
