据作者现场录音整理，按讲者脉络转述，不是逐字稿。讲者是 AiMoga Robotics 工业具身机器人事业部产品总监，中文演讲，约 12.5 分钟，无问答环节。这场主要在讲架构图，具体数字和案例很少；讲者自己也说这套思路还没有完全在实践或部署中应用。
一句话
工业现场既用不上纯 VLA（精度和稳定性不够），也养不起传统视觉模型（每个客户都要派人长期调试），所以要在 VLA 外面再包一层“感知动作结果、发现偏差、修正并沉淀经验”的闭环，安全监督另走一套不依赖模型的硬件逻辑。
论断
1. VLA 和传统视觉模型在工业现场各卡一头
工业现场要求精度高、节拍快、稳定性高，VLA 达不到；YOLO 这类传统视觉模型精度够，但每个工厂甚至每条产品线上的产品形状、颜色种类都很多，换一个品类就要重训重调，每个客户都得派人长期调试和值守。他说这个成本对做机器人产品的公司不可持续。
“工业实际现场，它的要求精度非常高，节拍非常快，稳定性要求也非常高……上了 VLA 模型之后，它就是达不到稳定性和精确度”
- 他说整个行业都面临这个问题，客户需求很大，卡在落地。
- 他们的第一款产品下个月会在合作伙伴的苏州工厂上线部署。
- 没给精度、节拍、人力成本的具体数字。
2. 只看图像看不全物理状态
仅凭外部图像，看不到接触力、滑动，也看不出双夹爪或灵巧手有没有抓稳。他的意思是要在 VLA 之外构建更丰富的感知闭环，而不是放弃 VLA。
“向哪里移动不代表是接触是否正确”
- 感知分四类：视觉（目标的六维位姿和深度）；装在关节的力矩传感器（撞击、负载、施力大小）；装在灵巧手上的触觉传感器（摩擦力、滑动、变形）；本体感知（关节位置、速度、底盘状态）。
- 传感器还包括激光雷达、深度视觉、超声波雷达、RGB 相机。
- 他说摩擦和误差是他们正在攻克的内容，多传感器的无缝融合也是眼下的难题。
3. 物理结果经过验证，任务才算完成
他认为机器人不只是选动作，还要感知动作的结果并修正下一步。循环是感知、估计与预测、行动、检测偏差或失败、调整动作并保留经验，再进入下一轮。
“智能不仅是做选择，机器人不仅是做选择动作，还要感知动作的结果，并且能修正下一步行动”
- 例子是一个补料场景：给某个工位补料并安装一个零件，拆成任务下发、导航对接、感知抓取、转运装载、验证上报五步。
- 转运装载时常见装配不对、意外受力、滑动、安装偏差，系统要能停止、撤回、重新估计，再把这类经验回流到系统模型中。
4. 安全监督独立于模型
工业对安全要求很苛刻：运动限制、碰撞保护、停止与故障处理要由独立的安全监督负责，不交给模型判断。架构图分认知和规划、技能和运行、物理控制三层，安全监督单独一栏。
“工业上用 PLC 啊，或者是 PCB 板比较多的，来通过自己人工手动做的安全策略，来进行做安全监督，不能依赖大模型”
- 他特意把工业场景和消费级、商业级机器人区分开。
5. 按能力门槛选模型，不看模型大小
他说实际方案是 VLA、传统模型和小型策略拼起来，按上下料、搬运这类具体场景适配，用能力门槛而不是模型规模来决定用什么。
“依据验证结果提升能力，并非只追求那个模型的规模”
- 每次部署改进下一次部署的数据流：采集真实经历、整理多模态数据、仿真与预测、训练与评价、审核与发布、经验形成能力。他自己说这部分“比较理论性”。
- 模型侧分三类：学习模型（局部改进，验证后再沉淀）、评价模型（衡量运动技能、任务和工业价值）、记忆模型（分层存储、注册、检索）。
- 机器人能力分五级，类比自动驾驶的 L1 到 L5，从基础运动控制到记忆、自动任务规划、目标语言控制。
6. 工业场景选轮式平台，任务从 MES 进出
他们产品的主要应用方向之一是搬箱子。他认为工业场景用轮式（疑为此词）平台更合适，理由是稳定性高、续航更长、控制更精准，没给续航等数字。任务通过工业系统集成接客户现场系统。
“通过工业系统集成，跟客户的现场的系统，包括 MES 系统进行无缝的对接，任务的下发或者是任务的反馈”
存疑
- 平台形态那段，“轮式”没听清；他还提到平台的另一个特征，疑为“双臂”，需对照幻灯片。
- 五级能力和三类模型各自对应幻灯片上的哪一部分，口述里没讲清。
评论