AI Research阅读约 7 分钟

LG 的 CLOiD 在工厂做了演示。换到第二条产线,还需要什么?

LG 和 NVIDIA 为 CLOiD 串联了工厂数据、合成变化、仿真与机载推理。怎样判断其中哪些环节换条产线还能用?

K
Ken Jo

机器人可以学会把零件从一个托盘移到另一个。下一条产线的托盘边缘更高、工位照明不同,生产周期也更短,会发生什么?离远看,动作仍然相似。走近看,机器人需要找到物体,在不碰到料箱的情况下伸手取出,再精确放置,满足下一步作业的要求。

LG 电子与 NVIDIA 报告了一项 CLOiD 演示,机器人在实际制造环境里进行了物体操作与制造任务。NVIDIA 在韩国时间 2026 年 11 月 9 日举行的 AI Day Seoul 上介绍了这项工作。据公开说明,流程使用真实数据,通过 NVIDIA Cosmos 扩增数据,用 Isaac GR00T 训练,借助仿真评估,再在机器人上用 Jetson AGX Thor 计算。双方介绍的是一种可以反复使用的开发和验证流程。NVIDIA 韩国活动报道 · NVIDIA 对与 LG 合作的说明

这让以数据学习的机器人面对一个具体问题:工位发生变化,团队还能复用哪些环节?第二条产线上的迁移试验,比第一处工位成功运行一次更能说明问题。它可以检验数据、仿真与控制上的假设,在不同的物理环境里能不能成立。

从团队真正演示过的任务说起

LG 在 CES 2026 把 CLOiD 作为家用机器人推出。1 月公告展示了在互联家庭中做家务等任务。11 月的说明则介绍了使用同名机器人的工业开发项目。两份公开材料对应平台的两种使用场景。工厂试点有自己的零件、排程、工艺限制和安全要求,因此判断试点要看制造环境中的工作。LG 在 CES 2026 对 CLOiD 的介绍 · NVIDIA 对与 LG 合作的说明

11 月的声明表明,在合作项目中,机器人曾在制造环境里执行物体操作和制造任务。公开材料未说明做了多少轮、每轮作业耗时的分布,以及操作人员干预了多少次。判断演示成果能推广多远时,这三个问题都还需要回答。可复现的研究流程在达到产线日常班次需要的可靠性之前,也可以有价值。

下面都是假设案例。某工厂希望机器人从周转箱里拿出一件零件,放进供后续作业使用的工装夹具。把成功定义为:正确零件以正确朝向放到位,在正常工艺时间内完成,工位已准备好开始下一轮。每隔几次就需要人纠正位置时,抓起来本身不足以算成功。

另一个例子是让机器人从暂存点移动空载具。物体可能更大,却允许更宽松的放置误差。如果载具有固定样式的把手,目的地也有明确标记,可能更适合当作第一次迁移任务。每项任务都要问,还有哪些条件会变?可能是相机的视野、机器人的可达范围、夹具,或下游工位的状态。

一轮训练有多个环节可以发现问题

NVIDIA 的合作公告串联了五个部分。团队收集真实观察数据,用 Cosmos 扩增,用 GR00T 训练模型,通过仿真评估,再使用 Jetson AGX Thor 进行机载计算。NVIDIA 的 GR00T 开发者材料进一步说明了通用工作流,包括用演示训练策略,以及在实际部署前通过仿真评估。这些材料介绍的是参考平台,没有指出 LG 在所报告演示里使用的确切模型版本或评估方法。NVIDIA 合作公告 · NVIDIA 的 GR00T 开发流程

用工厂数据生成变化样本、训练机器人策略并进行仿真,最后开展受控实机试验

真实样本、仿真测试和实机试验分别回答训练流程中的不同问题。Telli.sh 原创插图。

从已经收集的样本看起。人如何操作零件的演示,可以说明哪里适合安全抓取,朝向怎样变化,什么时候放置完成。如果样本都在正中间且照明良好,遇到困难情形时能参考的线索就少。记录演示中有哪些托盘、视角和零件变体,评估时才容易另选条件。

数据扩增可以添加受控变化,省去让操作人员重现每个场景。在假设的托盘搬运任务中,可以在仿真里改变背景,或者移动兼容托盘的位置。这样有机会找出依赖固定场景的模型。只有视觉变化,还不能确定真实夹爪是否能适应不同摩擦、重量或尺寸。这些变化需要适合问题的物理模型和实际工位上的核验。

学到的机器人策略把观察和任务目标转换成动作。训练可能让机器人应对一些很难用手写规则逐条列出的小差异。模型周围仍然需要合适的设备。夹具决定放置在物理上是否可行,传感器提供物体和工位的状态,产线控制系统判断该不该开始下一步。即使学出来的动作很顺畅,这些部分依然重要。

换条产线,变化的不只是相机画面

仿真可以试一些在工厂里准备起来很耗时的条件组合。把工位建模为一组具体条件,并说明每个评估案例在测什么。知道结果来自偏移的料箱、被部分遮挡的零件,还是延迟到达的工位信号,结果就更容易利用。汇总数字可能掩盖工厂每天都会遇到的失败。NVIDIA 的 Isaac Sim 材料介绍了建立基于物理的场景,以及纳入机器人、传感器和环境模型的工具。NVIDIA Isaac Sim 文档

假设第二条产线在夹具旁有一道导轨。如果导轨改变接近方向,原有动作现在可能离障碍物太近。相机仍能正确识别零件,所以只测图像分类发现不了这个问题。迁移试验必须包括机器人在变化后的作业空间里怎样移动。受控实机试验之前,仿真可以帮助缩小需核查的条件范围。

反过来,假设夹具保持原样,第二条线的包装反光更强。一些仿真里成功的案例,可能因真实传感器饱和,或者明亮的表面遮住轮廓而失败。保留一小组没用于训练的实物样本,更容易分辨新策略学会了任务,还是适应了训练环境的某些细节。

产线之间的变化有用的受控比较实机要确认什么
托盘形状或高度仿真新托盘的几何形状与接近路径获准条件下有足够间隙并能可靠抓取
光线或包装表面改变录制或仿真的相机条件实际工位上的识别和放置
班次节奏或吞吐量按预期时间约束重放任务完成的周期数及耗时分布
零件缺失或偏位测试检测、安全停止与交接操作人员收到正确状态并能恢复作业

用训练中留出的变化条件、迁移试验和人工复核比较基线工位与第二条线

每次只改变一个工位条件,迁移失败时团队更容易找到可检查的地方。Telli.sh 原创插图。

团队要统计人工干预和恢复耗时

机载计算能让部分推理靠近机器人运行。NVIDIA 称,公开的 LG 流程包含 Jetson AGX Thor。因而机器人侧的运行环境也应纳入评估。观察可用算力、相机帧率或工位信号时机发生变化时,机器人表现如何。一次演示可以很流畅,团队可能还没测出反复运行时较慢的一端有多慢。NVIDIA 合作公告

为了便于比较,报告完成放置、错误放置、干预和耗时,并附上总次数或测量窗口。操作者轻推一下周转箱后才完成,就记录这次干预。机器人发现零件不在允许的位置而正确停止,就记录停止,也记录操作人员怎样恢复正常作业。在异常场景里,正确停止可以是预期结果。

设想两种产线配置。一种做了 20 次,其中 18 次无需干预且正确放置,两次遇到难例后停止。另一种完成了全部 20 次,却需要五次重置或人工纠正。两组数字都不是 CLOiD 演示的结果。这个例子说明,作部署决定时,既要看最终结果,也要看为得到结果投入了多少人力。

时间也有类似情况。中位数比工位的时间预算短,看起来有希望。偶尔一次作业太慢,却可能挡住下一步。比较正常运行与可恢复中断后的完成时间,也看人工干预后产线用了多久才回到就绪状态。工厂可以据此选择变动幅度在自己能支持的范围内的任务。

用第二处工位检验复用能做到什么

  1. 定义一个范围明确的任务,并记录获准的运行条件。写明零件、夹具、预期最终状态、作业时间,以及人员接手的方式。由负责运营和安全的团队确定成功及停止标准。
  2. 在第一处工位收集并标注基线样本。留出一小部分用于评估,记录哪些变化放进训练,哪些保留用于测试。
  3. 利用已知工位约束在仿真里评估变化。选择能反映拟迁入工位的场景,并记录每个场景的选择理由。保留仿真无法可靠表现的条件及其证据。
  4. 在第二处工位进行获准且有监督的重复试验。在可比的批次上比较正确性、干预、恢复和耗时。调整前先有限地运行旧策略,以便团队找出哪些修改发挥了作用。
  5. 记录哪些原样迁移,哪些需要本地数据,哪些必须改工装或工艺。这份记录既能指导第三处工位,也能帮助估算第一次迁移究竟省了多少工作。

有效的试点需要与任务相符的基线。如果固定夹具加传统自动化已经能稳定处理高度重复的作业,就拿现有流程比较。一处工位需要处理几种兼容的零件变体时,学习策略可能更有价值。数据采集、复测和维护所需时间也要计入,因为每次工艺变更都可能再次产生这些成本。

检验维护成本的一种办法,是把一项小规模、已经获准的工艺变动留到试点最后。换一个托盘供应商,或换一批仅颜色不同的同规格零件,也许就够了。询问谁会发现性能下滑、可以用哪些记录调查,以及哪项测试能支持恢复正常运行。开发团队离开后,第二条线也就有了明确的运营负责人。

CLOiD 已报告的制造工作展示了一个机器人项目如何连接真实数据、模型训练、仿真和机载执行。下一步若在第二条产线试验,才更容易判断这些流程可以复用到什么程度,并看清工作改变时,哪些环节真正帮助工厂重现结果。

来源


想把设备试验的笔记和决定归在一起,可以创建 Telli.sh 账户。


← 返回博客