NE时代

◎ 小米机器人开始进入汽车工厂“难干的活”。

△ 撰文：DONG.ZY

小米机器人又多了两个“实习岗位”。

7月14日，小米公布其人形机器人在汽车工厂的新进展：自攻螺母上件工站的双侧作业成功率已提升至98%，与人工作业合格率仅差1%；机器人同时开始在总装物流区尝试中控台侧盖板排序和料箱折叠回收，两项任务目前均达到90%成功率。

从结果看，这不是一次简单的工位扩展。

自攻螺母上件，核心是精密对位和稳定节拍；侧盖板排序面对的是大尺寸、不规则、会形变的柔性工件；料箱折叠回收则牵涉双臂协同、料箱推送和多机器人之间的节拍匹配。

小米机器人开始进入的，是汽车工厂里更难用固定轨迹和专用设备覆盖的一类任务。

人形机器人进厂，最容易被讨论的是“能不能上产线”，但真正决定它是否有价值的，是能否处理工件变化、接入既有流程，并在异常发生时保持可控。

小米这次的“实习”进展，提供了一个较为具体的样本。

01.

从自攻螺母到柔性盖板，

机器人要处理的变量更多了

小米机器人进入汽车工厂的第一项公开任务，是自攻螺母上件。

在这一工位上，机器人需要从自动送钉设备中抓取自攻螺母，再将其放入拧紧工序的定位工装中，配合输送和定位设备完成后续作业。

3月公布的测试结果显示，机器人曾连续自主运行3小时，双侧同时安装成功率为90.2%，并满足最快76秒的产线节拍。

这个任务的难点并不在“把螺母放进去”本身。

自攻螺母内侧带有花键结构，抓取之后在手中的姿态并不固定；定位销轴的磁吸力也会影响贴合过程。

机器人既要识别当前姿态，又要在插装中判断花键与键槽是否真正对齐，否则就可能出现卡滞或安装不到位。

小米在这一任务中采用了Xiaomi-Robotics-0 VLA模型、强化学习、视觉、触觉和关节本体感知等方案。

其公开材料称，模型通过统一动作空间和跨本体数据预训练提升操作任务的泛化能力；VLA与强化学习联合训练，则用于减少对真实遥操作数据的依赖。

新增的中控台侧盖板排序，把难题推向另一层。

以下视频来源于 小米技术 ，时长00:31

△ 中控台侧盖板排序

侧盖板尺寸更大，形状不规则，材料具有柔性。机器人要从多排料箱中取出指定盖板，跨越较大作业范围，将它放入对面的料架车料格。取远端工件时，机器人需要调动全身自由度，同时保持身体平衡。

以下视频来源于 小米技术 ，时长05:01

△ 中控台侧盖板排序连续作业

以下视频来源于 小米技术 ，时长00:22

△ 抓取远距离盖板

更麻烦的是，柔性盖板不会像刚性零件那样始终保持固定形态。

盖板在抓取后，机器人需要通过双手协同调整握持方式，再根据手部感知对盖板在手中的姿态进行细微调整。

放置过程中一旦出现钩挂或卡滞，系统还要依靠主动柔顺策略改变动作，避免一次接触误差直接中断任务。

这几步看起来细碎，却是传统自动化不容易处理的部分。

专机适合处理尺寸、位置和节拍高度固定的零件，当工件会形变、取放位置变化较大、抓取方式需要临时调整时，系统往往需要更强的感知与控制能力，或者投入更多工装和改造成本。

人形机器人的潜在价值，就在于用通用形态和更丰富的操作能力覆盖这部分变化。

不过，潜在价值不等于已经完成替代。

90%的成功率说明系统已完成阶段性验证，但对工厂连续运行来说，剩余的失败场景、异常恢复时间和实际节拍损失同样重要。

02.

料箱回收，

考验的不再是一台机器人

如果说盖板排序主要考验单台机器人的操作能力，那么料箱折叠回收考验的则是机器人能否融入一套生产系统。

料箱折叠首先要求机器人抠开拉环，再由双臂完成折叠；多个料箱叠放后，还需要同步推送到目标位置。

，时长02:46

△ 料箱折叠回收全流程

小米披露，该工位已经处理了多机器人单元之间的动作协调与节拍匹配问题。

在工厂里，机器人还要接收任务、识别物料、与上下游设备衔接、向其他机器人同步状态，并保证整个单元不因个别动作失误而失去节拍。

机器人接入工厂系统后，可以直接获取生产任务和物料信息。

在盖板排序中，它不必读取纸质物料单，而是可从系统获得指定盖板和对应料格编号；在料箱回收中，不同机器人也可通过系统同步作业状态。

工厂自动化长期依赖任务调度、设备状态、工艺约束和异常处理的组合。人形机器人要进入其中，不能只依靠自身的视觉和动作能力，还要成为生产系统中的一个可管理节点。

因此，远程干预机制仍然必要。

小米称，针对危险或不可逆失效，系统会保留工作人员接管机器人的能力。这不是部署成熟度不足的例外安排，而是机器人进入真实产线时应有的工程设计。

更值得留意的是，小米也披露了当前的效率差距。

机器人在折叠料箱第二面时，需要先调整料箱方向，让卡扣朝向自己；熟练工人则可凭经验直接完成拉环操作，无需这一步。

这说明机器人已经能跑通流程，但尚未掌握人类工人依靠手部触觉、经验和姿态适应形成的操作技巧。

产线不会只问机器人能否做完，还会问它需要多少额外动作、能否长期保持节拍，以及异常时如何恢复。

03.

触觉、灵巧手和全身控制，

要在现场同时起作用

小米这批工位背后，依赖的并不只是一个操作模型。

螺母上件需要多模态感知判断精确贴合状态；柔性盖板操作需要手部感知和主动柔顺控制应对钩挂、形变与姿态偏差；料箱折叠则更考验指端接触感知、双臂配合和全流程协调。

这也是小米持续投入仿生手和全掌触觉的原因。

小米3月披露，其优化后的仿生手相比此前版本压缩了约60%的体积，尺寸更接近人手；全掌触觉传感器覆盖面积达到8200平方毫米，实际重复抓握循环寿命超过15万次。

小米还尝试通过触觉手套采集人手在操作过程中的全掌触觉数据，再用于构建操作数据集。

在手部的可靠性方面，小米曾透露，通过设计-仿真-测试不断迭代，针对实际操作场景，提升内部每一个零件的耐久性，从而逐步提升仿生手的综合可靠性。

此外，为应对高自由度手部电机密集带来的热量问题，小米团队在小臂结构中尝试了液冷循环通道、微泵和蒸发吸热方案，模拟人类汗腺的散热方式。

这些参数并不直接等同于工位成功率，却对应了机器人处理密集接触、手内姿态调整和连续作业的硬件基础。

盖板卡滞时的柔顺调整，料箱拉环的抠取，螺母插装过程中的细微对位，都很难仅凭一条预设轨迹完成。

当视觉受到遮挡、工件在手中发生偏转、接触力出现变化时，机器人需要能感知，也需要有足够自由度和控制速度做出调整。

小米当前的路线，是把数据驱动模型、触觉灵巧手、全身控制和工厂信息系统放进同一套现场运行机制。

螺母上件、盖板排序和料箱回收看似属于不同工位，实际都在处理同一个问题：当工件的姿态、位置、接触状态和上下游节拍发生变化时，机器人如何继续把任务做完。

这类任务是汽车工厂固定自动化较难覆盖的部分。

固定机械臂擅长重复完成既定动作，但柔性物料处理和排序供料往往存在位置偏差、工件遮挡、姿态变化和临时卡滞。

机器人不只要抓取，还要根据现场状态调整手部、双臂和身体动作，并与工厂物流系统保持同步。

小米的侧盖板排序与料箱回收，可以放进这一类问题中理解。前者要求机器人处理会形变的工件，后者则要求它在双臂操作之外，与其他机器人匹配节拍，它们共同指向汽车工厂中更复杂的物料流转任务。

类似的变化，也出现在宝马与 Figure 的合作中。

今年6月，Figure宣布Figure 03已进入宝马集团美国斯帕坦堡工厂52号厂房，承担装配与物流环节中的排序供料任务。

Figure称，Figure 02在2025年曾参与3万辆汽车的装配；Figure 03则从板材取放转向排序供料，需要从位置、朝向和遮挡都可能变化的容器中取件，放入对应料位，并在必要时边操作边调整身体姿态、牵引带脚轮的金属料车。

小米和Figure的公开任务、成功率口径与部署阶段并不相同，但两者都在从固定工位上的重复动作，走向对物料变化更敏感的操作和物流环节。

这也解释了为什么灵巧手、触觉、全身控制和多机协同会同时成为重点。

汽车工厂下一步需要的，不是单台机器人完成一个标准动作，而是让它在变化的物料和节拍里，稳定接住整段流程。

04.

写在最后

从自攻螺母到侧盖板与料箱回收，小米机器人的“实习”正在从单点装配验证，转向更复杂的工厂任务组合。

更广泛的工位覆盖、长周期稳定性、维护成本和单位节拍下的综合效率，仍需要持续的工程验证。

汽车工厂里的柔性操作与多机协同，恰好是检验人形机器人能否真正进入生产体系的一道题。

小米已经开始在具体工位上回答，接下来要看的，是这些试点能否变成可复制的现场能力。