Xiaomi estreia robô humanoide de 66 DoF na WRC 2026

O que a Xiaomi revelou com seu novo robô humanoide de 66 DoF? Na WRC 2026, a empresa apresentou publicamente um protótipo bípede de próxima geração construído com foco em maior destreza manual e execução de tarefas industriais, enquanto a pesquisa mais ampla de robótica da Xiaomi está cada vez mais voltada para modelos VLA e modelos de fundação incorporados. À medida que a inteligência artificial física transforma a forma como a inteligência digital se conecta com o mundo físico, os desenvolvedores precisam avaliar como as pilhas de software padrão se adaptam a ambientes incorporados. A robótica industrial tradicional frequentemente depende de ambientes altamente estruturados, programação específica para cada tarefa e controle baseado em modelos. Hoje, como os sistemas avançados integram a percepção multimodal diretamente em loops de controle em tempo real, as prioridades de engenharia estão mudando para modelos de fundação generalizáveis de visão-linguagem-ação (VLA).

Por que 33 DoF nas mãos são importantes para a manipulação industrial

Resumo

• O protótipo bípede de próxima geração mede aproximadamente 1,70 metro de altura, pesa 66 quilogramas e expande sua mobilidade articular para 66 graus de liberdade.
• A manipulação fina é altamente priorizada, com 33 graus de liberdade concentrados nas mãos para permitir o manuseio destrezo de componentes industriais flexíveis e não padronizados.
• Os testes anteriores na fábrica atenderam a um requisito de ciclo de produção de cerca de 76 segundos; após quatro meses de iteração, a Xiaomi relatou que o índice de sucesso na estação de porcas autoperfurantes subiu de 90,2% para 98%.

O crescimento da IA física desloca o problema de software da interação baseada em telas para a percepção, o planejamento e a execução física. Em vez de renderizar recursos visuais e gerenciar interfaces planas, os desenvolvedores agora estão projetando sistemas capazes de raciocinar sobre ambientes espaciais tridimensionais e coordenar trajetórias bimanuais de alta precisão.

Os testes de fábrica da Xiaomi mostram que a empresa está priorizando tarefas de fabricação repetíveis antes de uma implantação mais ampla. Antes de sua exibição pública, o sistema bípede concluiu um rigoroso estágio de quatro meses na linha de montagem de veículos elétricos da Xiaomi, realizando tarefas como instalação de porcas autoperfurantes e manuseio de caixas de materiais. Testes anteriores exigiam que o robô operasse em um ciclo de estação de trabalho de aproximadamente 76 segundos. Após quatro meses de iteração, a Xiaomi informou que o sucesso na estação de instalação de porcas autoperfurantes melhorou de 90,2% para 98%. Essa transição demonstra que a robótica humanoide está superando as demonstrações básicas de caminhada em direção a operações repetíveis e de alta destreza em ambientes físicos complexos.

Compreendendo a arquitetura técnica do ecossistema de robôs humanoides da Xiaomi

Em seu núcleo, a plataforma de próxima geração representa um aumento substancial no projeto mecânico e na integração de inteligência artificial em comparação com o protótipo CyberOne de 2022. Enquanto o CyberOne de primeira geração apresentava apenas 21 graus de liberdade articular, o novo modelo eleva esse número para 66 graus de liberdade articular. Essa expansão mecânica concentra-se principalmente nas mãos, alocando um total de 33 DoF nas mãos para permitir controle motor fino, agarre preciso de objetos e manipulação delicada de ferramentas.

Separadamente, a Xiaomi Robotics publicou vários modelos de IA incorporada e projetos de pesquisa sob sua estrutura unificada. Esses projetos de código aberto incluem o modelo de execução em tempo real Xiaomi-Robotics-0, o modelo escalado Xiaomi-Robotics-1 — que utiliza mais de 100.000 horas de trajetórias do mundo real — e o modelo autorregressivo unificado de 38B Xiaomi-Robotics-U0. Juntos, esses projetos abrangem a geração de ações de robôs, políticas fundamentais e modelagem de mundos incorporados. No entanto, os materiais públicos não estabelecem que o protótipo da WRC execute qualquer um desses modelos como sua pilha de controle de produção.

Um pipeline de controle VLA conceitual simplificado pode ser representado como:

[Entrada Visual / de Linguagem]
           │
           ▼
[Política Incorporada ou Modelo VLA]
           │
           ▼
[Ação do Robô / Comando de Movimento]
           │
           ▼
[Controlador Específico da Incorporação]

Essas direções de pesquisa ilustram uma mudança mais ampla de políticas específicas de tarefas para modelos incorporados projetados para transferir conhecimento entre tarefas e configurações de robôs. Ao desenvolver modelos que traduzem entradas visuais e de linguagem em ações de robôs ou sinais de controle em nível de tarefa, os desenvolvedores podem explorar softwares que se generalizam para uma gama mais ampla de tarefas e incorporações. A pilha de software deve coordenar as entradas de sensores multimodais com a estimativa de estado específica da incorporação, planejamento de movimento e controle de baixo nível.

Controle de robôs tradicionais vs. modelos de fundação VLA

À medida que os requisitos físicos do desenvolvimento robótico vão além da simples navegação, os desenvolvedores precisam escolher como estruturar suas camadas de controle de robôs. A construção de um loop de controle personalizado usando modelos matemáticos tradicionais oferece alta precisão, mas carece de adaptabilidade a ambientes não padronizados. Por outro lado, políticas aprendidas em larga escala geralmente exigem muito mais dados de treinamento, mas podem oferecer maior adaptabilidade quando a cobertura de treinamento e o alinhamento de incorporação são suficientes. O controle puramente pré-programado torna-se mais difícil de escalar à medida que a variabilidade de tarefas e a diversidade de objetos aumentam.

Avaliação arquitetônica: Cinemática tradicional vs. VLA generativa

O controle baseado em modelos pode oferecer comportamento preciso e previsível, mas adaptá-lo a ambientes altamente variáveis frequentemente exige percepção adicional, planejamento e engenharia específica para tarefas. Essa abordagem pode fornecer um comportamento previsível dentro de restrições operacionais bem definidas. O desenvolvimento de um controlador cinemático personalizado e interno exige recursos de engenharia substanciais para mapear restrições articulares e resolver equações de cinemática inversa em tempo real. Em contrapartida, implantar um modelo de fundação de visão-linguagem-ação (VLA) pré-treinado pode oferecer maior adaptabilidade, dependendo da cobertura de treinamento e do alinhamento da incorporação, ao custo de maiores requisitos de computação local.

A tabela abaixo compara metodologias padrão para gerenciar o controle de robôs e a execução de tarefas:

Essas decisões arquitetônicas influenciam diretamente as capacidades físicas do robô na linha de produção. Ao adotar modelos de fundação unificados, os sistemas robóticos podem transicionar da execução de ações únicas e isoladas para a realização de tarefas colaborativas em vários estágios em espaços de trabalho dinâmicos. As equipes de engenharia devem avaliar esses paradigmas de software com base em suas capacidades de hardware específicas, complexidade de tarefas e restrições de execução em tempo real.

Listas de verificação de integração: Como as equipes de engenharia podem se preparar para o desenvolvimento de software incorporado

Para garantir estabilidade operacional e execução segura à medida que as plataformas humanoides entram em ambientes industriais, as equipes de engenharia e produto devem estabelecer fluxos de trabalho de segurança, validação e implantação.

Lista de verificação de implementação para desenvolvedores

• Definir Limites de Controle com Restrição de Segurança: Mantenha os limites de articulação, velocidade, força e espaço de trabalho fora da política aprendida para que ações inseguras possam ser rejeitadas antes da execução.
• Validar Políticas em Simulação e Testes de Hardware Controlados: Avalie comportamentos aprendidos em simulação e em ambientes de robôs reais simulados antes da implantação em produção.
• Medir a Latência de Controle de Ponta a Ponta: Analise a percepção, a inferência do modelo, o planejamento de movimento e o controle de baixo nível separadamente para identificar gargalos.
• Testar Comportamento Fora da Distribuição: Avalie objetos desconhecidos, condições de iluminação, layouts e variações de tarefas, em vez de depender apenas de benchmarks de distribuição de treinamento.
• Projetar Modos de Controle de Fallback: Forneça recuperação determinística ou comportamento de parada segura quando as políticas aprendidas produzirem ações com baixa confiança ou inválidas.

Lista de verificação de produto e estratégia

• Definir Estações de Trabalho Industriais de Alto Valor: Identifique estações de montagem repetitivas e de alta precisão que sejam mais adequadas para a integração de robôs.
• Estabelecer Pipelines de Verificação de Tarefas: Utilize sistemas de monitoramento com múltiplas câmeras para avaliar as taxas de sucesso de tarefas dos robôs em tempo real.
• Construir Interfaces de Software entre Incorporações: Garanta que o sistema operacional robótico possa se comunicar com as redes de automação fabril ao redor.

Ao estabelecer essas diretrizes estruturadas, as equipes de desenvolvimento podem transicionar suas aplicações para arquiteturas mais seguras e em conformidade, mantendo a continuidade operacional.

Principais conclusões para equipes de engenharia

O protótipo humanoide de 66 DoF da Xiaomi mostra como o desenvolvimento de robôs humanoides industriais está mudando de demonstrações de locomoção para tarefas de manipulação repetíveis. Com 33 graus de liberdade concentrados nas mãos e testes de fábrica que cobrem a instalação de porcas, manuseio de componentes flexíveis e gerenciamento de materiais, a destreza e a confiabilidade de tarefas estão se tornando métricas centrais de engenharia.

Para os desenvolvedores, a pesquisa de robótica mais ampla da Xiaomi também ilustra o papel crescente das políticas VLA e dos modelos de mundos incorporados ao lado de sistemas de controle convencionais. O desafio prático não é substituir completamente o controle determinístico, mas combinar políticas aprendidas com simulação, restrições de segurança, perfil de latência, comportamento de fallback e controladores específicos de incorporação antes de implantar robôs em ambientes de produção.

Referências

1. Xiaomi Robot set to make public debut at 2026 World Robot Conference on August 19. https://www.gizmochina.com/2026/08/18/xiaomi-robot-set-to-make-public-debut-at-2026-world-robot-conference-on-august-19/

2. Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution. https://arxiv.org/abs/2602.12684

3. Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories. https://arxiv.org/abs/2607.15330

4. Xiaomi-Robotics-U0: Unified Embodied Synthesis with World Foundation Model. https://arxiv.org/abs/2607.11643

5. Xiaomi updates progress on humanoid robots in auto factory, achieves 98% success rate in some tasks. https://technode.com/2026/07/15/xiaomi-updates-progress-on-humanoid-robots-in-auto-factory-achieves-98-success-rate-in-some-tasks/