具身智能从实验室走向真实工厂、迈向精密制造。

    作者丨邓哲敏

    编辑丨齐铖湧

                                                                                                       

你有没有想过，机器人也可以走进车间，亲手造出组装一台机器人所需要的零件？
这听起来像个玩笑，实际却是具身智能最硬核的落地命题。机器人的关节、卡盘、精密结构件，无一不是靠 CNC（计算机数控）车床、铣床一道道加工出来的。如果机器人能自主照看这些机床，完成工件的抓取、上料、插入、取出与放置，那么机器人工业将被机器人自己反哺——机器人越多，造机器人的能力越强、成本越低，形成正反馈闭环。
但要实现这一点，比想象中难得多。造机器人所需的零件，恰恰是对精度要求最苛刻的一批：工件与卡盘之间的间隙往往只有 0.5 毫米，反光的金属表面、几近无纹理的外形、高度相似的零件，都在挑战机器人的视觉、触觉与全程精度。实验室里再漂亮的演示，到了这里都得先过公差、节拍、良率这三道关。
2026 年 9 月 29 日，美国匹兹堡，机器人学顶级会议 IROS 2026 现场，一场 Tech Talk 正面回应了这一命题：如何让一台机器人自主照看两台 CNC 机床，在 0.5 毫米的间隙下完成上述全部操作，且仅用 600 条真实机器人轨迹完成训练。演讲者是至简动力强化学习负责人冯宗宝。
这不只是一次技术演示，更是一份关于实验室精度如何转化为工厂精度的参考答案。
以下是冯宗宝在 IROS 2026 现场演讲的精编稿，基于现场英文演讲整理，雷峰网在不改变原意的基础上，对口语表达和技术术语进行了重新梳理。

▎From Laboratory to Factory: Why Real-World CNC Lathe Manipulation Breaks Current Robot Learning Pipelines

主讲人：冯宗宝，至简动力（Simplexity Robotics）强化学习负责人
图片

01

用机器人造机器人

本次分享从一个制造目标说起——用机器人来制造机器人。
CNC 操作看起来可能很简单，但要让它在真实工厂里稳定可靠，是完全不同的问题。它揭示了实验室基准测试的成功与工厂级精度之间那道清晰的鸿沟。今天，我将展示我们如何努力去弥合这道鸿沟。
至简动力是一家全栈具身智能公司。我们自研的多模态模型，把理解和生成统一在一起；一套闭环的数据飞轮，让我们能够持续改进这些模型；统一的模块化硬件平台，让它们运行在真实的机器人上；SimpleClaw 平台则给开发者提供了一个构建与部署机器人应用的开放平台。
在硬件侧，我们有四条产品线。i7 Pro 是我们的轮式机器人，iX 是我们的轮式人形机器人。我们还提供两种配置的模块化力控机械臂，这里分别展示了搭配 Dexter 灵巧手和夹爪的形态。最后，我们的数据采集手套帮助我们规模化采集人类演示，为机器人学习提供数据。
所以，我们的方法连接起三个部分：我们全栈自研，从硬件、软件到模型；数据采集手套让规模化采集人类演示成为可能；多模态模型把理解与生成统一在一起。目标是从这些数据中学到更多，抬高机器人在精密 CNC 操作上的能力天花板。
本次分享聚焦三个互补的方法：SimpleWAM 从多模态观测中生成动作片段；DRAM，即 Delta 规则循环关联记忆，用固定大小的记忆矩阵处理长时序上下文；DPE 用一个单独训练的评估器对候选动作打分，同时保持策略冻结。三者合起来，分别解决了我们 CNC 系统中的动作生成、记忆与动作选择问题。
图片

02

真实工厂难题

这是我们面对的工厂难题。我们的目标是机器人造机器人，精密 CNC 操作正是其中的代表。它为什么难？
第一，工件与卡盘之间的间隙只有 0.5 毫米，几乎没有留给对位误差的空间。
第二，反光的表面、微弱的纹理、外形相似的零件，让视觉对位变得困难。
第三，机器人必须在受限的工作空间里完成一连串动作，而关键的接触界面并不总是可见的。因此，系统必须在整个任务过程中始终保持精度，即便视觉信息不完整。
这些 CNC 约束塑造了我们的架构：弱纹理要求一个足够强的视觉编码器；长程接近需要头部与腕部相机提供的多视角；精密接触则需要接近感知的条件化。
于是，视觉、语言和状态输入被转换为 token。SimpleWAM 提供多模态骨干和动作 DiT。我们在两者之间插入一个 DRAM 模块，在当前观测之外补充历史上下文。动作 DiT 提出候选动作片段，DPE 用一个单独训练的评估器对这些候选打分，同时保持训练好的动作提出器固定不变。被选中的动作片段随后下发给 i7 Pro。

图片

03

具体应对方案

SimpleWAM 是我们统一的世界动作模型。它的思路是：训练时从丰富的未来监督中学习，推理时直接预测动作。
训练阶段，视频 DiT、3D DiT 和动作 DiT 在任务指令的引导下，联合重建未来的视频帧、3D 状态与动作片段，让模型能够同时学习视觉、空间与动作的动力学。到了推理阶段，我们只输入当前图像、当前 3D 状态和语言指令，模型直接输出动作片段，而不必再生成未来的图像或 3D 状态。
在动手之前，我们分别提取特征，再对它们做自适应融合。一个共享的冻结编码器，保留来自头部与腕部相机的密集图像 token；随后，查询分别独立地读取每个视角，这样在融合之前，任何一个视角都不会压制另一个；门控再针对每个查询和每个特征通道，去平衡全局上下文与局部对位线索。最终，融合视觉历史与鲁棒的、状态条件化的动作 DiT，来预测动作片段。
右侧的注意力图展示了更强的边界聚焦效果。在各方法的标称试验中，融合方法成功了 15 次，相比之下，Query-concay 为 0 次，π0.5 SFT 基线为 8 次。
要在一段长任务中持续稳定地动作，机器人需要来自此前步骤的上下文。为此，我们引入 DRAM——Delta 规则循环关联记忆（Delta-Rule Recurrent Associative Memory），把这种能力附加到预训练机器人策略上。
这里，冻结的 SimpleWAM 骨干从当前观测中提取特征；DRAM 先用这些特征读取记忆中的相关历史；动作 DiT 把读取到的历史与当前上下文结合起来，生成动作片段；在这之后，通过门控的 Delta 规则更新记忆，供下一步使用。
记忆是一个固定大小的关联矩阵，因此它的占用在任务变长时保持一致。DRAM 可以在不修改骨干架构、也不重新训练骨干的前提下附加进来，让长时序记忆更容易接入现有策略。
在精密插入的过程中，仅靠视觉可能无法判断工件正以怎样的状态接触卡盘。力与力矩恰好能补上这些缺失的接触信息。
我们从两个方面使用它们：其一，接近感知条件化会调整机器人的状态输入，让动作 DiT 在生成下一个动作时把接触因素考虑进去；其二，实时阻抗控制器利用实时反馈让执行更稳健，并根据接触的变化调整运动。二者结合，能够在直接插入受阻时支持恢复。
在精密 CNC 插入任务上，这套组合方法取得了 100% 的任务成功率。
常见的做法是用评估器的反馈去更新动作器，但这可能导致策略漂移。DPE 先训练一个行为克隆的动作器，再用一个单独训练的评估器在部署时对候选动作打分；成功的和失败的 rollout 随后只更新评估器，闭环由此形成，而动作器在机器人上始终保持冻结。DPE 提升了任务成功率，并减少了执行步数。
图片

04

成果展示

我们最终实现了机器人单设备全自动值守双 CNC 机床的完整作业方案。
本次主演示视频以五倍速呈现了机器人的全流程自主作业过程，同时通过多个细分片段，分别展示三项核心独立工序：工件自主抓取、精准上料卡盘、加工完成后的取件与归位放置。
抓取工件
把工件插入卡盘
取出并放置工件
值得一提的是，整个模型训练过程，我们仅使用了 600 条真实机器人运动轨迹作为训练数据。
这也是我们本次工作的核心价值：将具身智能从实验室的基准测试效果，真正落地到高精度、高真实度的工业制造场景中。

原文：https://www.leiphone.com/category/private/xCu836z16KSzx2Co.html

我的收藏