Роботы переходят из лабораторий в реальные промышленные применения, и этот процесс гораздо сложнее, чем кажется.

В прошлом году в области робототехники было достигнуто немало результатов — прогресс в таких технологиях, как VLA, Sim2Real,跨本体泛化,巧操纵, был довольно значительным. Но интересно то, что самые передовые направления в академическом и промышленном секторах совершенно различны: команды машинного обучения и компании, занимающиеся промышленными роботами, сосредоточены на разных аспектах, между ними лежит очень непреодолимый разрыв.

Основные проблемы заключаются в трех местах: во-первых, данные для обучения часто отличаются от реальных условий эксплуатации, и хорошо размеченные датасеты, попавшие на производственную линию, легко могут привести к сбоям. Во-вторых, исследования обычно оценивают среднюю производительность, тогда как в промышленности особенно важны экстремальные ситуации, где одна ошибка может стоить больших затрат. В-третьих, производительность и задержка всегда находятся в противоречии: модели, быстро обрабатывающие данные, могут быть менее точными, а точные решения требуют времени, которое нельзя затягивать. Если эти три аспекта не урегулированы, даже самая передовая техническая статья останется лишь на бумаге.