灵巧性长期以来是工业机器人领域的重大挑战。先进的抓取能力可将工程部署时间缩短高达30%。
ABB机器人公司正与加利福尼亚州仿生技术企业Psyonic展开合作,双方采用一种全新方法——借助人类假肢使用过程中产生的真实世界操作数据,来提升机器人的抓取能力与灵巧性。
此次合作将Psyonic Ability Hand与ABB GoFa协作机器人相结合,探索如何将人类使用假肢时产生的触觉与运动数据,用于训练机器人执行传统上难以自动化的精细、多变任务。
ABB机器人总裁Marc Segura表示:"人类的灵巧性,以及对如何处理不同物体的直觉判断,是工业级机器人最难复现的能力之一,但这也是实现真正自主、多功能机器人的根本需求。随着我们推进下一代物理AI的研发,机器人将像人类一样学习并理解世界。与Psyonic的这项合作将有助于缩小人类与机器人灵巧性之间长期存在的差距,为多个行业开辟全新可能。"
抓取与灵巧操作是ABB机器人"自主多功能机器人(AVR)"愿景的核心——即让机器人具备在动态环境中感知、推理、移动并精准处理物体的能力。这也是推动工业物理AI发展的关键所在:机器人系统能够从真实世界的交互中学习,并以工业级可靠性将智能付诸实践。此次合作将探索汽车、航空航天、包装物流及生命科学等众多行业的新应用场景。
通过让机器人承担重复性强、人体工程学挑战大或难以在大规模生产中保持一致性的任务,ABB机器人与Psyonic将帮助人与机器人更有效地协同工作,同时提升生产力、灵活性与工作场所安全性。
Psyonic正与ABB机器人研发团队密切合作,推进系统集成与技术开发,探索触觉操控如何支持下一代自主机器人应用。
Ability Hand最初是为假肢用途而开发的,融合了肌电控制、触觉感知与柔顺机械结构,采用轻量化多关节设计。其压力传感器与振动反馈系统能够让使用者感知接触、抓握力度与释放状态,而柔性手指则能自然贴合不规则与可变形物体。
Psyonic创始人兼CEO Aadeel Akhtar博士表示:"灵巧操作从根本上说,既是一个硬件挑战,更是一个数据挑战。通过在人体和机器人上使用同款Ability Hand,我们能够采集关于运动、接触和抓握力的高保真真实世界数据,再将其用于更有效地训练机器人系统。与ABB机器人平台的集成,让我们得以拓展至更多应用场景,并解锁应对自动化最艰难挑战所需的灵巧度。"
在支撑层面,ABB机器人的GoFa协作机器人提供了工业级部署所需的精度与重复性,确保抓握力、手指姿态与运动的细微变化能够被稳定执行与评估。这种精度对于将人类衍生的操作数据转化为复杂多变任务中可靠的机器人表现至关重要。
此次合作将评估这一组合能力如何应用于工业场景——尤其是传统抓取技术在面对可变性、易碎性或复杂性时力不从心的领域,例如处理不规则或精密物体。
根据国际机器人联合会(IFR)的数据,先进的抓取技术与数字化集成可将工程时间缩短高达30%,凸显了末端执行工具在加速部署、提升自动化投资回报方面的重要价值。
此次合作也体现了ABB机器人更广泛的战略布局——通过与生态系统合作伙伴携手,共同突破长期制约自动化发展的瓶颈。通过融合机器人技术、AI与人类假肢使用产生的真实世界操作数据,ABB机器人正推动物理AI持续演进,使更具能力与适应性的机器人能够在真实环境中稳定运行。
Q&A
Q1:ABB机器人与Psyonic合作的核心思路是什么?
A:此次合作的核心思路是将人类使用Psyonic Ability Hand假肢时产生的真实操作数据——包括触觉、运动和抓握力信息——用于训练机器人系统。通过在人体和机器人上使用同一款手部设备,双方可采集高保真的真实世界数据,从而更有效地提升机器人在精细、多变任务中的灵巧操作能力。
Q2:Psyonic Ability Hand有哪些技术特点?
A:Psyonic Ability Hand最初为假肢用途设计,采用轻量化多关节结构,集成了肌电控制、触觉感知与柔顺机械系统。其压力传感器和振动反馈系统能让使用者感知接触状态、抓握力度和释放动作,柔性手指还能自然贴合不规则或可变形物体,非常适合处理复杂形态的对象。
Q3:这项机器人灵巧性技术对工业有什么实际价值?
A:根据国际机器人联合会的数据,先进的抓取技术与数字化集成可将工程部署时间缩短高达30%。在汽车、航空航天、包装物流和生命科学等行业,该技术可让机器人处理传统方式难以应对的易碎、不规则物体,同时减少重复性劳动,提升生产力、灵活性和工作场所安全性。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。