制造机器的机器

📌 One-Sentence Summary

NVIDIA 西雅图机器人实验室详述了自动化 GB300 超级芯片托盘组装的工程历程，强调了一种结合经典机器人基础设施与专用学习模型的混合策略，以克服现实世界的物理约束。

📝 Summary

本文探讨了使用机器人组装 NVIDIA GB300 测试托盘的挑战与解决方案，重点关注铜排（busbar）组装和多连接器插入任务。作者反对纯粹端到端的学习方法，倡导「在正确的时间使用正确的工具」。对于铜排组装，团队采用基于 FoundationPose、路径点规划和高性能阻抗控制的经典流水线，实现了超过 95% 的成功率。对于多连接器插入任务，由于电缆会变形且连接器缺乏纹理特征，团队开发了 DOPER——一种在合成数据上训练并用真实世界输入进行优化的专用感知模型。文章强调了稳健的机器人基础设施（如 TALOS 编排系统和容器化服务）在实现工业环境中快速迭代和部署中的关键作用。

💡 Main Points

混合策略优于纯端到端学习

团队发现，对于铜排组装等结构化任务，经典基线方法（感知、规划、控制）非常有效；而对于连接器插入等复杂非结构化任务，由于存在物理变异性，需要专用的学习模型。

基础设施是迭代的关键

包括容器化机器人服务和 TALOS 编排系统在内的稳健软件基础设施，使研究人员能够快速部署、调试并组合不同的算法，而无需陷入依赖地狱。

物理 AI 领域的「反向苦涩教训」

与数字领域通过规模效应解决问题不同，物理制造业因零件磨损和成本限制，在数据采集方面面临瓶颈。这 necessitates 领域特定知识以及对有限真实世界数据的高效利用，而非盲目扩大规模。

💬 Key Quotes

我们在 GB300 测试托盘组装上的策略是「在正确的时间使用正确的工具」。

我们将这种情况视为一种「反向苦涩教训」：在某些现实世界场景中，由于物理、财务和物流现象，规模化可能变得难以处理。

熟练的工厂工人能够可靠且流畅地执行这两项任务，而不会承受显著的精神负担。然而，作为莫拉维克悖论的另一个例子，此类任务所需的灵巧性极难实现自动化。

📊 Article Meta

AI Screening： 86

Source： NVIDIA Technical Blog

Author： Elizabeth Goodman

Category： 人工智能

Language： 英文

Read Time： 20 min

Word Count： 4979

Tags：

编程与工程 , AI基础设施 , 制造业 , 计算机视觉 , AI 工作流