2026年9月29日，在美国匹兹堡举行的机器人学顶级会议IROS 2026现场，至简动力（Simplexity Robotics）强化学习负责人冯宗宝在一场Tech Talk中，展示了该公司如何让机器人自主照看两台CNC机床，并在仅0.5毫米的工件与卡盘间隙下完成精密操作，训练数据仅为600条真实机器人轨迹。
至简动力定位为全栈具身智能公司，自研多模态模型将理解与生成统一，并构建了闭环数据飞轮与模块化硬件平台。硬件侧拥有四条产品线：轮式机器人i7 Pro、轮式人形机器人iX、支持灵巧手与夹爪两种配置的模块化力控机械臂，以及用于规模化采集人类演示数据的数据采集手套。其SimpleClaw平台则为开发者提供机器人应用的构建与部署环境。
冯宗宝指出，CNC操作在实验室演示与工厂级精度之间存在明显鸿沟。真实场景的挑战集中在三方面：工件与卡盘间隙仅0.5毫米，对位容错空间极小；反光金属表面、微弱纹理与外形相似的零件增加了视觉对位难度；受限工作空间内的连续动作中，关键接触界面并不总是可见。这些约束要求系统在整个任务过程中保持精度，即便视觉信息不完整。
针对上述问题，至简动力提出三个互补方法。SimpleWAM作为统一世界动作模型，训练阶段联合重建未来视频帧、3D状态与动作片段，推理阶段仅输入当前图像、3D状态和语言指令，直接输出动作片段。DRAM（Delta规则循环关联记忆）以固定大小关联矩阵为预训练策略附加长时序记忆能力，无需修改或重新训练骨干网络。DPE则通过单独训练的评估器对候选动作打分，动作器在部署时保持冻结，避免策略漂移。
在精密插入过程中，力与力矩信息被用于补充视觉无法获取的接触状态。接近感知条件化调整机器人状态输入，实时阻抗控制器利用反馈增强执行稳健性并支持受阻恢复。在精密CNC插入任务上，该组合方法取得了100％的任务成功率，DPE还提升了成功率并减少了执行步数。最终系统实现了机器人单设备全自动值守双CNC机床的完整作业流程。
该方案的意义在于，机器人自主照看机床可形成“机器人造机器人”的正反馈闭环——机器人数量越多，制造机器人的能力越强、成本越低。但这一路径的难点恰在于造机器人所需零件对精度要求最为苛刻，实验室演示必须通过公差、节拍、良率三道关卡。至简动力此次展示的从动作生成、长时序记忆到动作选择的完整技术栈，为具身智能从实验室精度向工厂精度迁移提供了一份可参考的工程路径。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
