Xiaomi представляет гуманоидного робота с 66 степенями свободы на выставке WRC 2026

Что компания Xiaomi продемонстрировала в своем новом гуманоидном роботе с 66 степенями свободы (DoF)? На выставке WRC 2026 компания представила прототип двуногого робота нового поколения, созданный с упором на повышенную ловкость рук и выполнение промышленных задач. При этом более широкие исследования Xiaomi в области робототехники все больше сосредоточены на VLA и базовых моделях для воплощенного интеллекта (embodied AI). Поскольку физический искусственный интеллект меняет то, как цифровой интеллект взаимодействует с физическим миром, разработчикам необходимо оценить, как стандартные программные стеки адаптируются к воплощенным средам. Традиционная промышленная робототехника часто опиралась на строго структурированные среды, специализированное программирование задач и управление на основе моделей. Сегодня, поскольку передовые системы интегрируют мультимодальное восприятие непосредственно в контуры управления реального времени, инженерные приоритеты смещаются в сторону универсальных базовых моделей «зрение-язык-действие» (VLA).

Почему 33 степени свободы рук важны для промышленной манипуляции

Краткий обзор

• Прототип двуногого робота нового поколения имеет рост около 1,70 метра, весит 66 килограммов и расширяет подвижность суставов до 66 степеней свободы.
• Большое внимание уделяется точным манипуляциям: 33 степени свободы сосредоточены в руках, что обеспечивает уверенную работу с гибкими и нестандартными промышленными компонентами.
• В ходе ранних заводских испытаний требования к производственному циклу составляли около 76 секунд; после четырех месяцев доработок Xiaomi сообщила, что показатель успешности на станции завинчивания саморезов вырос с 90,2% до 98%.

Развитие физического ИИ переносит программную проблематику с взаимодействия на экранах в плоскость восприятия, планирования и физического выполнения. Вместо рендеринга визуальных активов и управления плоскими интерфейсами разработчики теперь создают системы, способные анализировать трехмерное пространственное окружение и координировать высокоточные движения обеих рук.

Заводские испытания Xiaomi показывают, что компания уделяет первостепенное внимание повторяющимся производственным задачам перед масштабным развертыванием. Перед публичной демонстрацией двуногая система прошла строгую четырехмесячную «стажировку» на сборочной линии электромобилей Xiaomi, выполняя такие задачи, как установка саморезов и работа с контейнерами для материалов. В ходе ранних испытаний робот должен был укладываться в рабочий цикл около 76 секунд. После четырех месяцев итераций Xiaomi сообщила, что показатель успешности на станции установки саморезов улучшился с 90,2% до 98%. Этот переход демонстрирует, что гуманоидная робототехника выходит за рамки простых демонстраций ходьбы и переходит к повторяемым операциям высокой точности в сложных физических условиях.

Изучение технической архитектуры экосистемы гуманоидных роботов Xiaomi

Под капотом платформа нового поколения демонстрирует значительный прогресс в механическом дизайне и интеграции искусственного интеллекта по сравнению с прототипом CyberOne 2022 года. Если первый CyberOne обладал лишь 21 степенью свободы суставов, то новая модель увеличивает этот показатель до 66 степеней свободы. Это механическое расширение сосредоточено в основном в руках: в общей сложности 33 степени свободы выделены для кистей, что обеспечивает мелкую моторику, точный захват объектов и деликатную работу с инструментами.

Кроме того, подразделение Xiaomi Robotics опубликовало несколько моделей воплощенного ИИ и исследовательских проектов в рамках своей единой структуры. Эти проекты с открытым исходным кодом включают модель выполнения в реальном времени Xiaomi-Robotics-0, масштабированную модель Xiaomi-Robotics-1, созданную на основе более чем 100 000 часов реальных траекторий, а также единую авторегрессионную модель Xiaomi-Robotics-U0 на 38 млрд параметров. В совокупности эти проекты охватывают генерацию действий робота, базовые политики (foundation policies) и моделирование физического мира. Тем не менее, в публичных материалах не утверждается, что прототип для выставки WRC использует какую-то конкретную из этих моделей в качестве своего производственного управляющего стека.

Упрощенный концептуальный конвейер управления VLA может быть представлен следующим образом:

[Visual / Language Input]
           │
           ▼
[Embodied Policy or VLA Model]
           │
           ▼
[Robot Action / Motion Command]
           │
           ▼
[Embodiment-Specific Controller]

Эти исследовательские направления иллюстрируют более масштабный сдвиг от политик для конкретных задач к воплощенным моделям, разработанным для переноса знаний между различными задачами и конфигурациями роботов. Создавая модели, которые переводят визуальные и языковые входы в действия робота или управляющие сигналы на уровне задач, разработчики могут исследовать программное обеспечение, способное обобщать данные для широкого спектра задач и форм-факторов. Программный стек должен координировать мультимодальные входы датчиков с оценкой состояния конкретной физической оболочки, планированием движения и низкоуровневым управлением.

Традиционное управление роботами против базовых моделей VLA

Поскольку физические требования к разработке роботов выходят за рамки простой навигации, разработчикам приходится выбирать структуру для своих уровней управления. Создание собственного контура управления с использованием традиционных математических моделей обеспечивает высокую точность, но ему не хватает адаптивности к нестандартным условиям. И наоборот, крупномасштабные обученные политики часто требуют значительно больше данных для обучения, но могут предложить более широкую адаптивность, если объем обучающих данных и согласованность форм-фактора достаточны. По мере роста вариативности задач и разнообразия объектов чисто запрограммированное управление становится все сложнее масштабировать.

Архитектурная оценка: Традиционная кинематика против генеративных VLA

Управление на основе моделей может обеспечивать точное и предсказуемое поведение, но его адаптация к изменчивым средам часто требует дополнительного восприятия, планирования и инжиниринга под конкретные задачи. Такой подход обеспечивает прогнозируемое поведение в рамках четко определенных эксплуатационных ограничений. Разработка собственного встроенного кинематического контроллера требует значительных инженерных ресурсов для сопоставления ограничений суставов и решения уравнений обратной кинематики в реальном времени. С другой стороны, развертывание предварительно обученной базовой модели «зрение-язык-действие» (VLA) может обеспечить большую адаптивность в зависимости от покрытия обучения и согласованности платформы, хотя это требует больших локальных вычислительных мощностей.

В таблице ниже сравниваются стандартные методологии управления роботами и выполнения задач:

Эти архитектурные решения напрямую влияют на физические возможности робота на производственной линии. Применяя универсальные базовые модели, роботизированные системы могут перейти от выполнения отдельных изолированных действий к многоэтапным совместным задачам в динамичных рабочих пространствах. Инженерным командам следует оценивать эти программные парадигмы с учетом своих аппаратных возможностей, сложности задач и ограничений времени выполнения.

Чек-листы по интеграции: как инженерным командам подготовиться к разработке ПО для воплощенных систем

Для обеспечения эксплуатационной стабильности и безопасности по мере перехода гуманоидных платформ в промышленную среду инженерным и продуктовым командам следует выстроить рабочие процессы безопасности, валидации и развертывания.

Чек-лист для инженеров-разработчиков

• Определите границы управления с учетом безопасности: вынесите ограничения по суставам, скорости, силе и рабочей зоне за пределы обученной политики, чтобы небезопасные действия могли блокироваться до их выполнения.
• Проверяйте политики в симуляции и тестах на реальном «железе»: оценивайте изученное поведение в симуляторах и на тестовых полигонах с реальными роботами перед внедрением в производство.
• Измеряйте сквозную задержку управления: проводите раздельный профилирующий анализ восприятия, вывода модели, планирования движения и низкоуровневого управления для выявления узких мест.
• Тестируйте поведение вне обучающей выборки (Out-of-Distribution): проверяйте работу с незнакомыми объектами, при различном освещении, планировке и вариациях задач, а не полагайтесь только на стандартные бенчмарки из обучающего набора.
• Разработайте резервные режимы управления (Fallback): предусмотрите детерминированное восстановление или аварийную остановку, если обученная политика выдает низкоуровневую уверенность или невалидные команды.

Чек-лист для продуктовых и стратегических команд

• Определите приоритетные промышленные рабочие места: выявите повторяющиеся операции высокой точности сборки, которые лучше всего подходят для интеграции роботов.
• Создайте конвейеры проверки задач: используйте системы мониторинга на базе множества камер для оценки показателей успешности выполнения задач роботом в реальном времени.
• Создайте кросс-платформенные программные интерфейсы: обеспечьте возможность взаимодействия робототехнической операционной системы с окружающими заводскими сетями автоматизации.

Разработав эти структурированные рекомендации, команды разработчиков смогут перенести свои приложения на более безопасные и надежные архитектуры, сохранив при этом непрерывность производственных процессов.

Основные выводы для инженерных команд

Гуманоидный прототип Xiaomi с 66 степенями свободы демонстрирует, как разработка промышленных роботов смещается от демонстрации передвижения к повторяемым манипуляционным задачам. Благодаря 33 степеням свободы в руках и заводским испытаниям, охватывающим установку гаек, обращение с гибкими компонентами и управление материалами, ловкость и надежность выполнения задач становятся ключевыми инженерными метриками.

Для разработчиков более широкие исследования Xiaomi в области робототехники также иллюстрируют растущую роль политик VLA и воплощенных моделей мира наряду с традиционными системами управления. Практическая задача заключается не в том, чтобы полностью отказаться от детерминированного управления, а в том, чтобы объединить обученные политики с симуляцией, ограничениями безопасности, профилированием задержек, резервными сценариями поведения и контроллерами под конкретные форм-факторы перед развертыванием роботов в производственной среде.

Ссылки

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/