Atlas人形机器人正在做侧手翻。| 来源：Boston Dynamics
机器人激发了我们的想象力。我们见过人形机器人单腿平衡、做后空翻、叠衣服，以及在复杂地形上平稳移动。这些行为在几年前还像是科幻小说里的东西。这些病毒式传播的例子很重要，因为它们表明具身AI已经达到了一个新的技术阶段。
与此同时，什么才算“人形机器人”的界定窗口似乎正在发生变化。机器人公司正在为其人形机器人设计添加轮子、更多传感器、新的机械臂、帽子、屏幕，同时去掉眼睛和头部。
作为一个直接与人形机器人开发者并肩合作、解决核心硬件瓶颈的工程生态系统，我们看到了一个反复出现的主题。这个行业经常陷入“机器人优先”的思维。我们先打造一个非凡的物理平台，然后再在工业场所中搜寻一项让它执行的任务。
如果我们想把物理AI从社交媒体信息流推向持续的商业水平，我们必须扭转当前的做法。这个行业需要一种从工作流程倒推的设计方法。从一项具有经济价值的任务开始。考虑机器人能否比人类更好地执行这项任务。
然后，倒推回去，准确找出执行这项任务实际需要什么硬件、感知能力和形态因素。
传感器堆栈诞生于任务，而非数据表
成功的工业机器人形态遵循其功能。来源：Vishay Precision Group Inc.
如果你从设计一个平台开始，最终很可能会得到一个有妥协的硬件堆栈。具体的工作流程决定了机器的工程要求。
让我们以一台被要求执行两种不同工业工作流程的双足人形机器人为例。一种涉及在汽车装配线上插入销钉，另一种涉及在物流中心码放托盘。
销钉连接器插入任务通常涉及20 µm的间隙和5 N的配合力。因此，需要低于0.1 N的接触力分辨率，以及足够快的控制带宽，以便在敏感销钉弯曲之前检测到卡滞。
然而，当使用同一机械臂进行大批量托盘码放时，你几乎不需要那种高频微力分辨率。相反，你需要的是重载荷能力、结构刚性，以及承受100万次循环而不出现基线机械漂移的能力。
如果你在构建一个通用平台，单个“折中”的力传感器可能会导致系统难以进行精确的销钉插入。该系统也可能缺乏连续重物搬运所需的耐久性。
工作流程还决定了你的误差预算。这是唯一一个能把力传感从一项成本项转变为能够提供可证明投资回报的因素。
改进力传感的尝试常常失败。例如，我们的测试表明，使用一种特定计算将接触力维持在±0.2 N，可以将连接器报废量从1.2%降低到0.5%。这可能转化为每条装配线每年约450,000美元的估计节省。只有从相关任务出发，这种经济论证才有可能成立。
这正是为什么关键组件的选择，例如那些基于应变传感的组件，必须在架构设计阶段进行，而不是在准备物料清单（BOM）时被当作事后补充。
如果在设计早期就纳入应变传感，它可以提供有价值的数据。来源：Vishay Precision Group
调整机器人，而不是调整设施
优先关注任务的倾向引出了关于形态因素的主要问题。专用形态因素是更好的选择吗？人形设计在什么时候是严格必要的？
运营环境可以分为两种类型：绿地环境和棕地环境。真正的问题不是机器人应该长什么样，而是修改机器人还是修改设施更便宜。
在绿地场地，你可以使用专用机器人。在棕地场地，例如现有的炼油厂或化工厂，机器人必须适应为人类创造的空间。
在绿地建设中，例如Equinor的Northern Lights设施，运营方可以从一开始就设计布局，并围绕任务建造设施。因此，专用、非人形形态在单位经济性、速度和能源效率方面几乎总是更优。腿式和轮式机器人在其执行的任务类型上更可靠。
然而，在大多数情况下，工业活动发生在棕地场地，在那里唯一实际的选择是调整现有平台。这些场地有狭窄的过道、楼梯、地板格栅和以人体为考量设计的门口。在这种情况下，适合人类的形态因素，无论是涉及腿、两条手臂，还是人形形状，都会成为一个主要优势。它让设备能够在为人类设计的环境中运行，而无需花费数百万美元改造设施。
对人形设计的真正考验是，如果你重新开始，你是否仍然会选择人形。当需要人类兼容性时，基本物理要求保持不变：足部接触、关节扭矩和腕部力。
机器人可能有不同的形状，但它们具有相同的传感物理原理。基于应变传感即使在形态因素变化时也能持续存在，无论你的物理平台如何发展，都能提供基本的真实基准测量。
对人形机器人的一项考验是是否需要人类兼容性。来源：Vishay Precision Group
部署深度胜过演示广度
炫目的病毒式视频展示了技术上可能实现的东西。然而，真正的考验不是演示本身，而是第二份采购订单。只有通过重复订单，商业效用才能得到证明。
尽管在气候受控条件下校准的单元所进行的演示证明机器人可以运行一次，但完整车队部署要求机器人在持续热变化中每班次至少承受10,000次循环，并且对漂移的容忍度接近于零。
大多数物理AI项目失败，是因为工程努力在解决具体操作事实之前，就转向了宽泛、笼统的承诺。在现实世界中，部署失败是由于漂移、传感器疲劳和重新校准挑战，而不是推理缺陷。
物理AI的资产负债表
将AI集成到物理硬件中，需要在功耗、散热、机械磨损和安全限制之间保持严格的平衡。对于软件，你通过复制来扩展；对于硬件，你必须购买、构建并等待。
采用软件方法的团队往往未能考虑这张物理资产负债表。除了基本的热或电限制之外，非线性执行器齿轮减速会引入复杂行为，这种行为众所周知难以预测和模拟。
真正的反向驱动能力通过允许机器人执行器或关节将来自环境的任何物理冲击完全反映回核心控制架构，解决了部分问题。
无论硬件瓶颈是什么，无论是关节执行器中的热节流，还是峰值负载下的功耗，每个约束都归结为同样的需求：确切了解在实际负载条件下、在真实温度下、在数年时间内存在多大的力。这就是基于应变的传感所提供的信息，这就是为什么它应该被纳入架构，而不仅仅是列在物料清单中。
根据Vishay Precision Group的说法，机器人安全需要的不仅仅是软件。来源：ANYbotics
商业可行性的真正指标
为了评估物理AI系统的商业可行性，我们应该超越光鲜亮丽的营销视频。相反，我们应该关注财务团队真正关心的指标。
最重要且最关键的指标是平均干预间隔时间（MTBI）。这可以被视为业内使用的最真实衡量标准，但也是最不常公布的指标。如果人类操作员必须每20分钟干预一次，以解除夹爪卡住或重置漂移的传感器，那么高自主性数字就意义不大。
我们需要对每单位工作的实际成本给予同样的重视，无论是按每次抓取、每米行驶还是每次完成检查来计算。这个数字最终决定机器人车队将取代还是增强现有劳动力。
运营价值还取决于重新部署时间。部署时间显示一个“通用”平台能否迅速适应新任务，还是重新配置需要数周的定制工程。最后，每运行小时的安全事故数量将决定机器人是否能够走出其笼子，在人类工人中自由运行。
一个病毒式传播的视频显示一个机器人能够执行一次给定任务。然而，一个可持续的业务需要机器人连续执行同一任务至少10,000次，没有任何干预、漂移或失败。
主要结论很直接：从工作流程开始，将可靠的传感构建到核心架构中，并关注运营指标，这样专用机器和人形平台都能在物理世界中发挥其潜力。
关于作者
Ron Zukerman是Vishay Precision Group Inc _._(VPG)的创新总监。该公司是精密测量和传感技术的领导者。
VPG表示，其传感器、称重解决方案和测量系统在广泛的市场中优化并增强客户的产品性能，使世界更安全、更智能、更高效。欲了解更多信息，请访问公司网站www.vpgsensors.com并在LinkedIn上关注它。