Xiaomi เปิดตัวหุ่นยนต์ฮิวแมนนอยด์ 66 DoF ในงาน WRC 2026

Xiaomi เปิดเผยอะไรบ้างกับหุ่นยนต์ฮิวแมนนอยด์ 66 DoF รุ่นใหม่? ในงาน WRC 2026 ทางบริษัทได้จัดแสดงหุ่นยนต์ต้นแบบสองขา (bipedal) รุ่นใหม่ล่าสุดที่สร้างขึ้นรอบๆ ความคล่องแคล่วของมือที่เพิ่มขึ้นและการปฏิบัติงานอุตสาหกรรม ในขณะที่การวิจัยด้านวิทยาการหุ่นยนต์ในวงกว้างของ Xiaomi มุ่งเน้นไปที่ VLA และโมเดลรากฐานเชิงกายภาพ (embodied foundation models) มากยิ่งขึ้น ในขณะที่ปัญญาประดิษฐ์เชิงกายภาพเปลี่ยนวิธีที่ความฉลาดดิจิทัลเชื่อมต่อกับโลกทางกายภาพ นักพัฒนาจะต้องประเมินว่าชุดซอฟต์แวร์มาตรฐานปรับตัวเข้ากับสภาพแวดล้อมเชิงกายภาพอย่างไร วิทยาการหุ่นยนต์อุตสาหกรรมแบบดั้งเดิมมักพึ่งพาสภาพแวดล้อมที่มีโครงสร้างชัดเจน การเขียนโปรแกรมเฉพาะเจาะจงสำหรับงาน และการควบคุมตามแบบจำลอง (model-based control) ในปัจจุบัน เนื่องจากระบบขั้นสูงผสานการรับรู้แบบหลายรูปแบบ (multimodal perception) เข้ากับลูปการควบคุมแบบเรียลไทม์โดยตรง ลำดับความสำคัญทางวิศวกรรมจึงเปลี่ยนไปสู่โมเดลรากฐานการมองเห็น-ภาษา-การกระทำ (VLA) ที่มีความสามารถทั่วไป

ทำไม 33 DoF ของมือจึงมีความสำคัญต่อการหยิบจับในอุตสาหกรรม

สรุปสาระสำคัญ

หุ่นยนต์ต้นแบบสองขารุ่นใหม่มีความสูงประมาณ 1.70 เมตร หนัก 66 กิโลกรัม และขยายการเคลื่อนไหวของข้อต่อเป็น 66 องศาอิสระ (Degrees of Freedom)
ให้ความสำคัญอย่างมากกับการหยิบจับที่มีความแม่นยำสูง โดยมี 33 องศาอิสระกระจายอยู่ที่มือ เพื่อให้สามารถจัดการชิ้นส่วนอุตสาหกรรมที่มีความยืดหยุ่นและไม่ได้มาตรฐานได้อย่างคล่องแคล่ว
การทดสอบในโรงงานก่อนหน้านี้บรรลุข้อกำหนดรอบการผลิตประมาณ 76 วินาที หลังจากผ่านการทำซ้ำมา 4 เดือน Xiaomi รายงานว่าความสำเร็จที่สถานีขันน็อตเกลียวปล่อย (self-tapping-nut) ดีขึ้นจาก 90.2% เป็น 98%

การเติบโตของ AI ทางกายภาพเปลี่ยนปัญหาซอฟต์แวร์จากการโต้ตอบบนหน้าจอไปสู่การรับรู้ การวางแผน และการปฏิบัติงานทางกายภาพ แทนที่จะเรนเดอร์ภาพและจัดการอินเทอร์เฟซแบบแบนราบ ขณะนี้นักพัฒนากำลังออกแบบระบบที่สามารถใช้เหตุผลเกี่ยวกับสภาพแวดล้อมเชิงพื้นที่สามมิติและประสานงานวิถีการเคลื่อนไหวของมือทั้งสองข้างที่มีความแม่นยำสูง

การทดสอบในโรงงานของ Xiaomi แสดงให้เห็นว่าบริษัทให้ความสำคัญกับงานการผลิตที่ทำซ้ำได้ก่อนที่จะมีการปรับใช้ในวงกว้าง ก่อนที่จะจัดแสดงต่อสาธารณะ ระบบสองขาได้ผ่านการฝึกงานอย่างเข้มงวดเป็นเวลา 4 เดือนในสายการประกอบรถยนต์ไฟฟ้าของ Xiaomi โดยปฏิบัติงานต่างๆ เช่น การติดตั้งน็อตเกลียวปล่อยและการจัดการกล่องวัสดุ การทดสอบก่อนหน้านี้กำหนดให้หุ่นยนต์ต้องทำงานภายในรอบการทำงานประมาณ 76 วินาที หลังจากผ่านการทำซ้ำ 4 เดือน Xiaomi รายงานว่าความสำเร็จที่สถานีติดตั้งน็อตเกลียวปล่อยดีขึ้นจาก 90.2% เป็น 98% การเปลี่ยนผ่านนี้แสดงให้เห็นว่าวิทยาการหุ่นยนต์ฮิวแมนนอยด์กำลังก้าวข้ามการสาธิตการเดินขั้นพื้นฐาน ไปสู่การปฏิบัติงานที่ทำซ้ำได้และมีความคล่องแคล่วสูงในสภาพแวดล้อมทางกายภาพที่ซับซ้อน

ต้นแบบหุ่นยนต์ฮิวแมนนอยด์รุ่นใหม่ของ Xiaomi บนเวทีในงาน World Robot Conference

ทำความเข้าใจสถาปัตยกรรมทางเทคนิคของระบบนิเวศหุ่นยนต์ฮิวแมนนอยด์ Xiaomi

ภายใต้ฝากระโปรง แพลตฟอร์มรุ่นใหม่แสดงถึงการเพิ่มขึ้นอย่างมากในการออกแบบเชิงกลและการบูรณาการปัญญาประดิษฐ์เมื่อเทียบกับต้นแบบ CyberOne ปี 2022 แม้ว่า CyberOne รุ่นแรกจะมีข้อต่อเพียง 21 องศาอิสระ แต่รุ่นใหม่นี้เพิ่มขึ้นเป็น 66 องศาอิสระ การขยายตัวทางกลนี้กระจุกตัวอยู่ที่มือเป็นหลัก โดยจัดสรร 33 DoF ของมือทั้งหมดเพื่อให้สามารถควบคุมมอเตอร์อย่างละเอียด การจับวัตถุที่แม่นยำ และการจัดการเครื่องมือที่ละเอียดอ่อน

ในขณะเดียวกัน Xiaomi Robotics ได้เผยแพร่โมเดล AI เชิงกายภาพและโครงการวิจัยหลายรายการภายใต้กรอบงานที่เป็นหนึ่งเดียว โครงการโอเพนซอร์สเหล่านี้รวมถึงโมเดลการทำงานแบบเรียลไทม์ Xiaomi-Robotics-0, โมเดลขนาดใหญ่ Xiaomi-Robotics-1 ซึ่งใช้ประโยชน์จากวิถีโลกจริงมากกว่า 100,000 ชั่วโมง และโมเดล autoregressive แบบรวม 38B Xiaomi-Robotics-U0 โครงการเหล่านี้ครอบคลุมทั้งการสร้างการกระทำของหุ่นยนต์ นโยบายรากฐาน และการสร้างแบบจำลองโลกเชิงกายภาพ อย่างไรก็ตาม เอกสารสาธารณะไม่ได้ระบุว่าต้นแบบ WRC ใช้โมเดลใดโมเดลหนึ่งเหล่านี้เป็นชุดควบคุมการผลิต

ไปป์ไลน์การควบคุม VLA เชิงแนวคิดอย่างง่ายสามารถแสดงได้ดังนี้:

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

ทิศทางวิจัยเหล่านี้แสดงให้เห็นถึงการเปลี่ยนแปลงในวงกว้างจากนโยบายเฉพาะงานไปสู่โมเดลเชิงกายภาพที่ออกแบบมาเพื่อถ่ายโอนความรู้ข้ามงานและการกำหนดค่าหุ่นยนต์ การพัฒนาโมเดลที่แปลงอินพุตภาพและภาษาเป็นการกระทำของหุ่นยนต์หรือสัญญาณควบคุมระดับงานทำให้นักสามารถสำรวจซอฟต์แวร์ที่สามารถสรุปผลข้ามงานและรูปแบบกายภาพที่หลากหลายยิ่งขึ้นได้ ชุดซอฟต์แวร์ต้องประสานอินพุตเซ็นเซอร์แบบหลายรูปแบบกับการประมาณสถานะเฉพาะของร่าง การวางแผนการเคลื่อนไหว และการควบคุมระดับต่ำ

ภาพประกอบเชิงแนวคิดของหุ่นยนต์ฮิวแมนนอยด์ Xiaomi ที่มี 66 องศาอิสระ

การควบคุมหุ่นยนต์แบบดั้งเดิมเทียบกับโมเดลรากฐาน VLA

เนื่องจากข้อกำหนดทางกายภาพของการพัฒนาหุ่นยนต์ก้าวข้ามการนำทางอย่างง่าย นักพัฒนาจึงต้องเลือกระดับการควบคุมหุ่นยนต์ของตน การสร้างลูปการควบคุมแบบกำหนดเองโดยใช้แบบจำลองทางคณิตศาสตร์แบบดั้งเดิมให้ความแม่นยำสูงแต่ขาดความยืดหยุ่นต่อสภาพแวดล้อมที่ไม่เป็นมาตรฐาน ในทางกลับกัน นโยบายการเรียนรู้ขนาดใหญ่มักต้องการข้อมูลการฝึกอบรมมากกว่ามาก แต่สามารถให้ความปรับ 3 ยืดหยุ่นที่กว้างขึ้นเมื่อความครอบคลุมของการฝึกอบรมและความสอดคล้องของรูปแบบกายภาพเพียงพอ การควบคุมที่ตั้งโปรแกรมไว้ล่วงหน้าอย่างเดียวจะปรับขนาดได้ยากขึ้นเมื่อความแปรปรวนของงานและความหลากหลายของวัตถุกำลังเพิ่มขึ้น

การประเมินสถาปัตยกรรม: จลนศาสตร์แบบดั้งเดิมเทียบกับ VLA เชิงกำเนิด

การควบคุมตามแบบจำลองสามารถให้พฤติกรรมที่แม่นยำและคาดการณ์ได้ แต่การปรับให้เข้ากับสภาพแวดล้อมที่มีความแปรปรวนสูงมักจะต้องมีการรับรู้ การวางแผน และวิศวกรรมเฉพาะงานเพิ่มเติม แนวทางนี้สามารถให้พฤติกรรมที่คาดการณ์ได้ภายใต้ข้อจำกัดในการดำเนินงานที่กำหนดไว้อย่างดี การพัฒนาตัวควบคุมจลนศาสตร์ภายในองค์กรแบบกำหนดเองต้องใช้ทรัพยากรทางวิศวกรรมจำนวนมากเพื่อแมปข้อจำกัดของข้อต่อและแก้สมการจลนศาสตร์ผกผันแบบเรียลไทม์ ในทางตรงกันข้าม การปรับใช้โมเดลรากฐานวิสัยทัศน์-ภาษา-การกระทำ (VLA) ที่ผ่านการฝึกอบรมมาล่วงหน้าสามารถให้ความยืดหยุ่นที่มากกว่า ขึ้นอยู่กับความครอบคลุมของการฝึกอบรมและความสอดคล้องของรูปแบบ โดยแลกมากับข้อกำหนดด้านการประมวลผลภายในที่สูงขึ้น

ตารางด้านล่างเปรียบเทียบวิธีการมาตรฐานสำหรับการจัดการการควบคุมหุ่นยนต์และการปฏิบัติงาน:

กระบวนทัศน์ (Paradigm)	การพึ่งพาข้อมูลทั่วไป	ความสามารถในการปรับตัว	ลักษณะการทำงานขณะรันไทม์	เหมาะที่สุดสำหรับ
Model-Based / Kinematic Control	ต่ำถึงปานกลาง	แข็งแกร่งภายในข้อจำกัดที่กำหนด	คาดเดาได้และมักมีความหน่วงต่ำ	การเคลื่อนไหวทางอุตสาหกรรมแบบกำหนดได้ในสภาพแวดล้อมโรงงานที่มีโครงสร้างสูง
Behavior Cloning	ข้อมูลการสาธิต	จำกัดนอกเหนือจากการกระจายการฝึกอบรม	ขึ้นอยู่กับโมเดล	งานซ้ำๆ ที่เรียนรู้บนสถานีงานที่มีโครงสร้างและอยู่กับที่
VLA / Foundation Policies	ชุดข้อมูลที่มีความหลากหลายขนาดใหญ่	มีศักยภาพสูงกว่าในแต่ละงานและสภาพแวดล้อม	ความซับซ้อนในการประมวลผลและการอนุมานที่สูงขึ้น	การหยิบจับอเนกประสงค์และงานที่ควบคุมด้วยภาษาในสภาพแวดล้อมแบบไดนามิก

การตัดสินใจทางสถาปัตยกรรมเหล่านี้มีอิทธิพลโดยตรงต่อความสามารถทางกายภาพของหุ่นยนต์บนสายการผลิต การนำโมเดลรากฐานที่เป็นหนึ่งเดียวมาใช้ทำให้ระบบหุ่นยนต์สามารถเปลี่ยนจากการดำเนินการเดี่ยวๆ ที่แยก from กัน ไปสู่การปฏิบัติงานที่ร่วมมือกันหลายขั้นตอนในพื้นที่ทำงานแบบไดนามิก ทีมวิศวกรรมต้องประเมินกระบวนทัศน์ซอฟต์แวร์เหล่านี้ตามความสามารถฮาร์ดแวร์เฉพาะ ความซับซ้อนของงาน และข้อจำกัดในการดำเนินการแบบเรียลไทม์

แพลตฟอร์มฮิวแมนนอยด์ Xiaomi กำลังผ่านการทดสอบการประกอบทางกายภาพในโรงงานผลิต EV

รายการตรวจสอบการบูรณาการ: วิธีที่ทีมวิศวกรรมสามารถเตรียมพร้อมสำหรับการพัฒนาซอฟต์แวร์เชิงกายภาพ

เพื่อให้มั่นใจถึงความเสถียรในการดำเนินงานและการปฏิบัติงานที่ปลอดภัยเมื่อแพลตฟอร์มฮิวแมนนอยด์เปลี่ยนผ่านเข้าสู่สภาพแวดล้อมอุตสาหกรรม ทีมวิศวกรรมและผลิตภัณฑ์ควรกำหนดเวิร์กโฟลว์ความปลอดภัย การตรวจสอบความถูกต้อง และการปรับ khai

รายการตรวจสอบการใช้งานสำหรับนักพัฒนา

กำหนดขอบเขตการควบคุมที่จำกัดด้วยความปลอดภัย: เก็บขีดจำกัดของข้อต่อ ความเร็ว แรง และพื้นที่ทำงานไว้น นโยบายที่เรียนรู้ เพื่อให้สามารถปฏิเสธการกระทำที่ไม่ปลอดภัยก่อนดำเนินการได้
ตรวจสอบความถูกต้องของนโยบายในการจำลองและการทดสอบฮาร์ดแวร์ที่มีการควบคุม: ประเมินพฤติกรรมที่เรียนรู้ในการจำลองและสภาพแวดล้อมหุ่นยนต์จริงที่มีการจัดเตรียมก่อนการปรับใช้ในการผลิต
วัดความหน่วงของการควบคุมแบบ End-to-End: ประเมินการรับรู้ การอนุมานโมเดล การวางแผนการเคลื่อนไหว และการควบคุมระดับต่ำแยกกันเพื่อระบุคอขวด
ทดสอบพฤติกรรมที่อยู่นอกการแจกแจง (Out-of-Distribution): ประเมินวัตถุที่ไม่คุ้นเคย สภาพแสง เลย์เอาต์ และความแปรปรวนของงาน แทนที่จะพึ่งพาเฉพาะเกณฑ์มาตรฐานการแจกแจงการฝึกอบรม
ออกแบบโหมดควบคุมสำรอง: จัดให้มีการกู้คืนแบบกำหนดได้หรือพฤติกรรมการหยุดอย่างปลอดภัยเมื่อนโยบายที่เรียนรู้สร้างการกระทำที่มีความเชื่อมั่นต่ำหรือไม่ถูกต้อง

รายการตรวจสอบผลิตภัณฑ์และกลยุทธ์

กำหนดสถานีงานอุตสาหกรรมที่มีมูลค่าสูง: ระบุสถานีประกอบที่มีความแม่นยำสูงและทำซ้ำๆ ซึ่งเหมาะสมที่สุดสำหรับการบูรณาการหุ่นยนต์
สร้างไปป์ไลน์การตรวจสอบงาน: ใช้ประโยชน์จากระบบตรวจสอบด้วยกล้องหลายตัวเพื่อประเมินอัตราความสำเร็จของงานหุ่นยนต์แบบเรียลไทม์
สร้างอินเทอร์เฟซซอฟต์แวร์ข้ามรูปแบบกายภาพ: ตรวจสอบให้แน่ใจว่าระบบปฏิบัติการของหุ่นยนต์สามารถสื่อสารกับเครือข่ายระบบอัตโนมัติในโรงงานโดยรอบได้

ด้วยการกำหนดแนวทางที่มีโครงสร้างเหล่านี้ ทีมพัฒนาสามารถเปลี่ยนแอปพลิเคชันของตนไปสู่สถาปัตยกรรมที่ปลอดภัยและสอดคล้องยิ่งขึ้นในขณะที่ยังคงรักษาความต่อเนื่องในการดำเนินงาน

คำถามที่พบบ่อย (FAQ)

ความแตกต่างที่สำคัญของฮาร์ดแวร์ระหว่าง CyberOne ของ Xiaomi และหุ่นยนต์รุ่นใหม่คืออะไร?

ต้นแบบ CyberOne ปี 2022 สูง 1.77 เมตร หนัก 52 กก. และมีข้อต่อเพียง 21 องศาอิสระ ในทางตรงกันข้าม แพลตฟอร์มสองขารุ่นใหม่สูงประมาณ 1.70 เมตร หนัก 66 กก. และมี 66 องศาอิสระทั่วทั้งร่างกาย ซึ่งแสดงถึงการเพิ่มขึ้นมากกว่าสองเท่าของการเคลื่อนไหวข้อต่อ โดยมุ่งเน้นเชิงกลยุทธ์ไปที่การจัดการมืออย่างละเอียด

ผลลัพธ์ที่แท้จริงของการฝึกงานในโรงงาน EV ของหุ่นยนต์คืออะไร?

Xiaomi รายงานอัตราความสำเร็จ 90% สำหรับการคัดแยกแผงด้านข้างคอนโซลกลางและการพับและรีไซเคิลถังชิ้นส่วนระหว่างการดำเนินงานนำร่อง บริษัทตั้งข้อสังเกตว่างานแผงด้านข้างแสดงถึงครั้งแรกที่หุ่นยนต์ฮิวแมนนอยด์ประสบความสำเร็จในการปฏิบัติงานต่อเนื่องเป็นเวลานานบนชิ้นงานที่ยืดหยุ่นภายใต้เงื่อนไขของโรงงาน สำหรับงานมาตรฐานเช่นการติดตั้งน็อตเกลียวปล่อย อัตราความสำเร็จสูงถึง 98%

เหตุใดความคล่องแคล่วของมือจึงถือเป็นเกณฑ์สำคัญสำหรับหุ่นยนต์ฮิวแมนนอยด์ในอุตสาหกรรม?

แม้ว่าความสมดุลและการนำทางสองขาจะช่วยให้หุ่นยนต์เคลื่อนที่ผ่านสภาพแวดล้อมได้ แต่ความคล่องแคล่วของมือเป็นตัวกำหนดความสามารถในการปฏิบัติงานที่มีประโยชน์ การจัดสรรสัดส่วนที่สำคัญขององศาอิสระของหุ่นยนต์ให้กับมือจึงเป็นสิ่งจำเป็นสำหรับการจับที่ซับซ้อน การจัดการเครื่องมือ และการจัดการชิ้นส่วนอุตสาหกรรมที่มีความยืดหยุ่นและไม่ได้มาตรฐาน

ประเด็นสำคัญสำหรับทีมวิศวกรรม

หุ่นยนต์ฮิวแมนนอยด์ 66 DoF ของ Xiaomi แสดงให้เห็นว่าการพัฒนาฮิวแมนนอยด์ในอุตสาหกรรมกำลังเปลี่ยนจากการสาธิตการเคลื่อนที่ไปสู่ภารกิจการหยิบจับที่ทำซ้ำได้ ด้วยองศาอิสระ 33 องศาที่กระจุกตัวอยู่ที่มือและการทดสอบในโรงงานที่ครอบคลุมการติดตั้งน็อต การจัดการส่วนประกอบที่ยืดหยุ่น และการจัดการวัสดุ ความคล่องแคล่วและความน่าเชื่อถือของงานจึงกลายเป็นตัวชี้วัดทางวิศวกรรมที่เป็นศูนย์กลาง

สำหรับนักพัฒนา การวิจัยหุ่นยนต์ในวงกว้างของ Xiaomi ยังแสดงให้เห็นถึงบทบาทที่เพิ่มขึ้นของนโยบาย VLA และโมเดลโลกเชิงกายภาพควบคู่ไปกับระบบควบคุมแบบดั้งเดิม ความท้าทายในทางปฏิบัติไม่ใช่การแทนที่การควบคุมแบบกำหนดได้โดยสิ้นเชิง แต่เป็นการรวมนโยบายที่เรียนรู้เข้ากับการจำลอง ข้อจำกัดด้านความปลอดภัย การโปรไฟล์ความหน่วง พฤติกรรมสำรอง และตัวควบคุมเฉพาะของรูปแบบ ก่อนที่จะปรับใช้หุ่นยนต์ในสภาพแวดล้อมการผลิต

ข้อมูลอ้างอิง

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/
Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution. https://arxiv.org/abs/2602.12684
Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories. https://arxiv.org/abs/2607.15330
Xiaomi-Robotics-U0: Unified Embodied Synthesis with World Foundation Model. https://arxiv.org/abs/2607.11643
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/