具身智能从实验室走向工厂，面临生产节拍与合格率的现实鸿沟。小米机器人将VLA大模型、触觉感知与强化学习技术相结合，在汽车工厂的真实工站中，实现了连续3小时自主运行，双侧安装成功率达到90.2%。这不仅是技术的一次成功验证，更为机器人规模化产业应用提供了宝贵的实践参考。
智能速览
小米机器人在汽车工厂实现连续3小时自主运行。
自攻螺母上件工站双侧安装成功率达90.2%。
技术核心为VLA大模型与强化学习的端到端训练。
融合视觉、触觉和关节感知的多模态系统提升作业稳定性。
全身混合控制架构保障机器人在极端干扰下的稳定。
精华内容
机器人要从实验室的“学徒工”成长为工厂的“正式工”，必须迈过精准、高效、稳定这三道坎。技术实现细节是关键所在。
端到端训练
为应对工厂复杂多变的作业环境，我们摒弃了繁琐的规则编程，采用了端到端的数据驱动控制方法。该方案在通用VLA大模型Xiaomi-Robotics-0的基础上，引入强化学习技术，使机器人能快速适配不同工况，并从真实物理交互中持续学习。
其技术特点在于，通过统一的动作空间与跨本体数据预训练，显著增强了模型的泛化能力。同时，VLA与RL的联合训练框架，有效降低了对真实遥操作数据的依赖，增强了模型在不同本体和环境下的适应性。最后，在密集接触的作业场景中融合触觉反馈，大幅提升了任务执行的稳定性与鲁棒性。
多模态感知
单一的感知模式在复杂的工厂环境中存在明显局限。仅依赖视觉，在光照变化或局部遮挡时难以准确判断螺母与手指的接触状态；仅依赖触觉，又容易受到手指与环境间非预期接触的干扰。
为此，我们融合了视觉、触觉以及关节本体感知等多模态信息，对作业过程进行协同感知与综合判断。这种融合机制显著降低了复杂工况下的状态误判概率，为任务规划决策和在线学习提供了更可靠的奖励信号，确保了操作的精准性。
全身运动控制
机器人的全身运动控制是稳定作业的基础。我们采用了融合优化控制与强化学习的混合架构，依据系统稳定性指标选择性执行策略。
其中，优化控制器基于二次规划方法，通过零空间投影机制实现四级严格优先级控制，依次满足平衡、安全、任务等约束，单次求解耗时小于1毫秒。而强化学习控制器则依托大规模并行仿真平台，通过对数千个虚拟机器人进行上亿次随机扰动与失稳场景模拟，使其学会在极端干扰下保持平衡，并能零样本迁移至真实机器人，保障了系统整体的稳定性与鲁棒性。
现实挑战
即便拥有先进的技术，实际装配环节依然充满挑战。自攻螺母内侧的花键结构，以及每次抓取后不固定的手内姿态，都要求极高的对齐精度。定位销轴上的磁吸力也会在装配时产生拉扯，进一步增加难度。
在实际工况下，这些因素常常导致对位精度不足，在旋拧过程中产生卡滞，造成装配失败。此外，环境干扰或视角受限，也可能让机器人对贴合状态产生误判，出现花键与键槽贴合不紧密、安装不到位等问题，这是机器人从“能做”到“做好”必须跨越的障碍。
小米机器人在汽车工厂的初步探索，验证了具身智能在工业场景落地的可行性，也暴露了生产节拍与合格率的核心瓶颈。未来的规模化应用，仍需在全身协同和灵巧操作等方向持续突破。当机器人真正成为产线主力，工业制造将迎来怎样的变革？
