至简动力展示0.5毫米精密装配：机器人造机器人进入现实

用机器人制造机器人，是具身智能走向工业闭环的核心命题。从关节轴承、卡盘到各类精密结构件，机器人的核心零部件几乎都要通过计算机数控（CNC）机床加工完成。如果机器人能自主接管机床的上下料与装配，整个机器人产业便能形成规模制造的正反馈闭环。

然而，这在工程实践中极具挑战。工件与卡盘的配合间隙往往只有 0.5 毫米，加上高反光的金属表面、微弱的几何纹理以及极易遮挡的作业视角，传统机器人策略极难在严苛公差下稳定作业。

在机器人顶级学术会议 IROS 2026 上，至简动力（Simplexity Robotics）强化学习负责人冯宗宝发表技术演讲，公布了工业级场景的最新突破：仅使用 600 条真实轨迹训练，单台机器人即可自主值守两台 CNC 机床，并在 0.5 毫米微小间隙下完成抓取、上料、卡紧和取件的全流程作业。

全栈软硬件协同：跨越实验室与工厂的鸿沟

要让具身智能跨出实验室 Demo 走向真实产线，必须同时跨过公差、节拍、良率三道难关。至简动力通过整合自研多模态模型、闭环数据飞轮与模块化机器人硬件来破解这一难题。

在硬件层面，公司布局了包括 i7 Pro 轮式机器人、iX 轮式人形机器人、模块化力控机械臂、Dexter 灵巧手以及专门的数据采集手套。其中，数据采集手套能够规模化沉淀高质量的人类演示数据，为模型训练构筑底座。

在算法层面，团队构建了一套结合生成、记忆与评估的三位一体控制方案：

• SimpleWAM（世界动作模型）：负责多模态动作片段生成；
• DRAM（循环关联记忆）：维持固定大小的记忆矩阵，支撑长时序决策；
• DPE（动作评估器）：在策略冻结状态下对动作候选打分与排序。

突破三大工业痛点：融合感知与长时序记忆

在 0.5 毫米配合间隙、金属高反光与长流程视线遮挡的约束下，常规模仿学习算法往往因微小偏差而失效。

针对这些瓶颈，至简动力推行了针对性架构设计：

1. 训练期未来监督，推理期直接行动：SimpleWAM 统一了视频 DiT、3D DiT 与动作 DiT。训练时利用多模态监督共同建模视觉、空间与动力学特征；推理时则直接根据当前图像、3D 状态及指令输出动作片段，避免生成冗余的未来图像预测。
2. 多视角自适应融合：通过共享的冻结编码器同时提取头部全局相机与手腕局部相机的 Token，利用门控网络平衡大局位置与局部对位，大幅改善弱纹理物体的边缘注意力聚焦。

3. DRAM 维持长时序上下文：基于 Delta 规则的循环关联记忆机制，DRAM 可以在不改动主干模型架构的情况下外挂介入。由于记忆矩阵大小固定，即使任务步数拉长，内存开销也不会膨胀。

4. 力控补偿与解耦评估（DPE）：当工件插入卡盘时，视觉往往被完全遮挡。系统引入接近感知条件化与实时阻抗控制，借助受阻时的力反馈自适应纠偏，使精密插入任务成功率达到 100%。此外，DPE 方案将策略生成器与打分评估器分离，环境反馈只用来微调评估器，彻底杜绝了长期策略漂移风险。

600条轨迹撬动工业级精密装配

在完整双机床自主作业验证中，机器人顺利完成了全流程闭环：

自主工件抓取

0.5 毫米间隙工件精准上料卡盘

加工完成后取件并归位放置

最为关键的是，整套系统仅依赖 600 条真实机器人运动轨迹完成训练。这证明了在精心设计的模型架构与力控协同下，具身智能无须海量试错数据，也能达到严苛工业装配对高精度和高可靠性的要求。