工业元宇宙：赋能机器人学习，重塑制造未来

想象一下未来工厂车间里繁忙的景象：机器人通过自适应人工智能教育精通多种技能，与人类同事协同工作，安全高效。这些机器人可以轻松地在不同任务之间切换，从组装精密的电子元件到处理复杂的机械组装。每个机器人都拥有独特的教育背景，使其能够预测维护需求，优化能源消耗，并根据实时数据分析和数字世界中的学习经验，实时创新流程。

这些机器人的训练将在“虚拟学校”中进行，这是一个工业元宇宙中精心模拟的环境。在这里，机器人可以在加速的时间范围内学习复杂的技能，在几个小时内掌握人类可能需要几个月甚至几年才能学会的知识。

超越传统编程

工业机器人的训练曾经就像传统学校一样：僵化、可预测，并且局限于一遍又一遍地练习相同的任务。但现在，我们正处于下一个时代的门槛。机器人可以在“虚拟教室”中学习——工业元宇宙中的沉浸式环境，利用模拟、数字孪生和人工智能来详细模拟现实世界条件。这个数字世界可以提供一个几乎无限的训练场，它模拟了真实的工厂、仓库和生产线，让机器人练习任务，遇到挑战，并发展解决问题的能力。

曾经需要几天甚至几周的现实世界编程，工程师们要费力地调整指令才能让机器人完成一个简单的任务，现在可以在虚拟空间中学习几个小时。这种被称为“模拟到现实”（Sim2Real）的方法将虚拟训练与现实世界应用相结合，弥合了模拟学习和实际性能之间的差距。

虽然工业元宇宙仍处于起步阶段，但它重塑机器人训练的潜力显而易见，这些新的机器人技能提升方式可以实现前所未有的灵活性。

意大利自动化供应商EPF发现，人工智能改变了该公司开发机器人的整个方法。“我们改变了开发策略，从从头开始设计完整的解决方案转变为开发模块化、灵活的组件，这些组件可以组合起来创建完整的解决方案，从而在不同领域实现更大的连贯性和适应性，”EPF董事长兼首席执行官弗朗哥·菲利皮说。

边做边学

当人工智能模型在大量数据上进行训练时，其能力会得到提升，例如大量标记的示例、学习类别或通过试错学习类别。然而，在机器人技术中，这种方法需要数百小时的机器人时间和人工监督才能训练一项单一任务。例如，即使是最简单的指令，比如“拿起一瓶”，也可能产生许多不同的结果，具体取决于瓶子的形状、颜色和环境。因此，训练变成了一个单调的循环，投入的时间却收效甚微。

构建能够泛化并在任何环境中成功完成任务的人工智能模型是机器人技术进步的关键。纽约大学、Meta和Hello Robot的研究人员推出了机器人效用模型，这些模型在没有额外训练的情况下，在陌生环境中执行基本任务的成功率达到了90%。大型语言模型与计算机视觉相结合，为机器人提供持续的反馈，告知它是否已成功完成任务。这种反馈循环通过结合多种人工智能技术来加速学习过程，并避免重复的训练周期。

机器人公司现在正在实施先进的感知系统，这些系统能够跨任务和领域进行训练和泛化。例如，EPF与西门子合作，将视觉人工智能和物体识别集成到其机器人中，以创建能够适应不同产品几何形状和环境条件的解决方案，而无需机械重新配置。

想象力学习

训练数据的稀缺性是人工智能的限制，尤其是在机器人技术中。然而，利用数字孪生和合成数据来训练机器人的创新，已经显著地超越了以前成本高昂的方法。

例如，西门子的SIMATIC Robot Pick AI扩展了这种适应性愿景，将标准工业机器人——曾经局限于僵化、重复的任务——转变为复杂的机器。该人工智能在合成数据——形状、材料和环境的虚拟模拟——上进行训练，使机器人能够处理不可预测的任务，例如从混乱的箱子里挑选未知物品，准确率超过98%。当出现错误时，系统会学习，并通过现实世界的反馈进行改进。重要的是，这不仅仅是一个机器人的修复。软件更新可以扩展到整个机群，升级机器人以更灵活地工作，并满足对适应性生产日益增长的需求。

另一个例子是机器人公司ANYbotics，该公司生成工业环境的3D模型，这些模型充当真实环境的数字孪生。操作数据，如温度、压力和流量，被集成到一起，创建了物理设施的虚拟副本，机器人可以在其中进行训练。例如，一个发电厂可以使用其场地平面图来生成其需要机器人在其设施中执行的检查任务的模拟。这加快了机器人的训练和部署，使其能够在最小的现场设置下成功执行。

模拟还允许以接近零成本的方式复制机器人进行训练。“在模拟中，我们可以创建数千个虚拟机器人来练习任务并优化其行为。这使我们能够加快训练时间并在机器人之间共享知识，”ANYbotics首席执行官兼联合创始人彼得·范克豪瑟说。

由于机器人需要了解其环境，无论其方向或照明如何，ANYbotics及其合作伙伴Digica创建了一种方法，可以为机器人训练生成数千张合成图像。通过消除从车间收集大量真实图像的繁琐工作，教机器人所需知识所需的时间大幅减少。

同样，西门子利用合成数据生成模拟环境，在将人工智能模型部署到物理产品之前对其进行数字训练和验证。“通过使用合成数据，我们在物体方向、照明和其他因素方面创造了变化，以确保人工智能在不同条件下都能很好地适应，”西门子项目负责人文森佐·德·保拉说。“我们模拟了从零件的排列方式到照明条件和阴影的一切。这使模型能够在各种场景下进行训练，提高其在现实世界中适应和准确响应的能力。”

数字孪生和合成数据已被证明是解决数据稀缺和昂贵机器人训练的有效方法。在人工环境中训练的机器人可以快速且廉价地为其在现实世界中可能遇到的各种视觉可能性和场景做好准备。“我们在将模型物理部署之前，在这个模拟环境中对其进行验证，”德·保拉说。“这种方法使我们能够尽早发现任何潜在问题，并在最小成本和时间内改进模型。”

这项技术的影响可以扩展到最初的机器人训练之外。如果机器人的现实世界性能数据被用来更新其数字孪生并分析潜在的优化，它可以创建一个动态的改进循环，以系统地提高机器人的学习、能力和性能。

受过良好教育的机器人在工作

随着人工智能和模拟推动机器人训练进入新时代，企业将从中受益。数字孪生使公司能够以大幅缩短的设置时间部署先进的机器人技术，而人工智能驱动的视觉系统的增强适应性使公司更容易根据不断变化的市场需求改变产品线。

新的机器人教育方式也降低了投资风险。“这是一个改变游戏规则的东西，”德·保拉说。“我们的客户现在可以提供人工智能驱动的机器人解决方案作为服务，这些解决方案以数据和经过验证的模型为后盾。这使他们在向客户展示解决方案时充满信心，因为他们知道人工智能在投入使用之前已经在模拟环境中进行了广泛的测试。”

菲利皮设想这种灵活性将使今天的机器人能够制造明天的产品。“一两年后的需求将是处理今天还不知道的新产品。有了数字孪生和这个新的数据环境，今天就可以设计出用于制造尚未知道的产品的机器，”菲利皮说。

范克豪瑟将这个想法更进一步。“我预计我们的机器人会变得如此智能，以至于它们可以根据从数字孪生中积累的知识独立生成自己的任务，”他说。“今天，人类仍然在最初引导机器人，但在未来，他们将拥有自主识别任务的能力。”

本内容由MIT Technology Review的定制内容部门Insights制作。它不是由MIT Technology Review的编辑人员撰写。