NE时代

◎ North准备去上海DQ「上班」。

△ 撰文：DONG.ZY

机器人完成一个动作，和机器人承担一份工作，中间隔着长序列执行、任务记忆、触觉闭环和连续运行。

最近，Sharpa宣布将与DQ联手打造全球首个“零改造、全自主”机器人线下餐厅。

该餐厅将于8月于上海正式落地，实现全球首例机器人直接进入真实门店，使用现有原料、设备和操作规范，完成包括点单、制作、交付在内的暴风雪冰淇淋全流程服务。

据Sharpa官网介绍，机器人North需要从头到尾端到端执行，整套制作过程不中断。

制作一杯暴风雪看似简单，实际每份订单包含几十个连续操作步骤，包括从消毒盘中单独取出纸杯、拾取杯环并实现亚毫米级对齐、加入配料、在强扰动下稳定搅拌、控制黏稠冰淇淋避免洒漏，以及完成DQ标志性的“倒杯不洒”动作。

现在机器人行业展示的各种精细操作Demo通常集中展示一个技能，而进入到真实门店则要求机器人在多种对象和动作之间切换，并适应顾客走动、光照变化与杯体形变。

01.

North进入的，是一家为人设计的DQ门店

North此次使用的不是为机器人单独搭建的自动化工位，合作门店将直接保留DQ全球统一的供应链、原料、设备和作业标准，不改造空间、不更换设备、不调整流程。

固定式自动化通常要求工位围绕机器人布置，工具、物料和运动轨迹相互配合，而机器人North选择进入现有工作空间，主动适应原本为人设计的工作环境，在真实营业场景中直接全自主“上岗”。

这种适配能力会影响机器人场景落地的部署范围，机器人能够操作多少人类日常使用的工具，决定门店需要调整多少设备和流程。

一份DQ订单由几十个连续操作步骤组成，North要在这些步骤之间切换对象、手部姿态和控制方式。

制作过程中，North需要处理纸杯、勺子、机器把手、设备门和金属环。Sharpa称，同一套底层模型可以覆盖这些不同对象。

纸杯容易受压变形，金属环需要持续固定，勺子用于舀取配料，机器把手与柜门则要求机器人建立稳定抓握并施加拉力。

North不能只记住一条固定轨迹，对象位置和杯体状态发生变化后，后续动作还要根据新的现场信息生成。

此外，North还要适应顾客移动、光照变化和纸杯形变。真实门店里的人员、物体和环境状态不会像实验工位一样始终固定。

Sharpa称，这是North首次走到真实厨房柜台后工作，公开门店将持续检验它的灵巧操作、环境适应和具身短期记忆。

一个动作做得漂亮，无法替代几十个步骤的连续执行，真实顾客和完整班次会把机器人硬件、模型和现场运行放进同一条工作链。

02.

一份冰淇淋，把灵巧操作拆成四道考题

Sharpa官网重点展示了North制作冰淇淋时的四个环节：固定金属环并完成搅拌、打开柜门、连续添加三勺配料，以及将成品倒置。

第一个环节发生在搅拌阶段。

North需要用拇指和食指将金属环固定在纸杯上，并在机器运行过程中维持接触。

搅拌时，纸杯、金属环与机器人手指之间持续受力。North根据力反馈调整抓握和移动，既要防止金属环与纸杯发生位移，也要避免手指压力过大。

Sharpa认为，这类操作很难由普通夹爪或低自由度灵巧手完成。金属环需要贴住纸杯，机器人还要给搅拌设备留出运动空间，拇指与食指之间的接触姿态需要随过程调整。

第二个环节是打开柜门。

柜门使用门店原有的窄把手，没有针对机器人加装更大的抓握结构。

Sharpa在官网中指出，North的手需要在形态和尺寸上接近人手，才能操作这些为人设计的设施。

打开柜门包含靠近、对准、抓住把手和拉动等连续动作。手指碰到把手后，机器人还要判断是否握稳，以及柜门是否已经开始移动。

第三个环节是添加奥利奥碎料。

按照奥利奥暴风雪的制作流程，每份产品需要加入三勺碎料。

三次舀取时的工作画面相似，North不能只根据当前图像判断已经完成几次操作，它需要结合自身动作历史，记录订单进行到哪一步。

Sharpa把这种能力描述为具身短期记忆，机器人既要观察外部环境，也要保留自己刚刚执行过的动作。

任务记忆还会出现在更多服务流程中，比如擦拭了几块区域、摆放了几个物品、加入了几次配料，都要求机器人把动作历史纳入当前决策。

第四个环节是DQ标志性的暴风雪倒杯不洒。

North需要把装有冰淇淋的纸杯翻转过来，同时避免杯体被压坏或冰淇淋掉落。

纸杯属于可变形物体，抓握力不足时，杯子可能滑落；作用力过大时，杯壁又可能变形。纸杯姿态改变后，机器人还要调整手指上的力量。

Sharpa称，倒置动作依赖触觉驱动的力控制，现有遥操作设备无法提供完成这项操作所需的触觉闭环，因此North需要自主完成。

四个环节分别对应不同能力：窄把手考验North对人类设施的适应，金属环与纸杯涉及精细接触控制，三勺配料要求记录任务进度，倒置动作则把柔性物体抓握和姿态变化叠加在一起。

官网显示，North是一款拥有67个自由度的全身人形机器人，采用轮式底盘，2026年1月首发。

其中，North搭载了Sharpa开发的Wave仿人灵巧手，产品形态和尺寸接近人手，拥有22个主动自由度，并配备视触觉感知能力。

Sharpa公开的产品参数显示，这款灵巧手包含15个屈伸自由度、6个侧向运动自由度和1个手掌内旋自由度。

每个指尖内置超1000个触觉传感单元，空间分辨率小于1mm，压力感知范围为0-30N，压力灵敏度0.02N，可分辨克级微小受力，采样率最高180 Hz，可实时识别压力、滑移、受力变化和接触位置，并闭环调整抓握姿态与力度。

高自由度负责形成不同的手指姿态，比如面对窄把手时，North需要调整手指间距和弯曲角度；固定金属环时，拇指与食指要形成稳定对捏；倒置纸杯时，多根手指需要共同维持抓握。

触觉系统则处理接触之后的信息。

相机可以观察杯子和金属环的位置，却难以直接获得指尖压力分布，也无法只靠外观及时判断物体是否开始滑动。而灵巧手采集到接触信息后，机器人还要及时修正手指动作，才能把触觉数据转化为稳定抓握。

03.

CraftNet生成轨迹，System 0处理接触

Sharpa为North配置了轻量级潜在世界模型、CraftNet VLA和System 0。

轻量级潜在世界模型用于预测下一个物理状态。机器人完成抓取、拉动、舀取或搅拌后，物体的位置和状态都会变化，后续操作要建立在更新后的环境信息之上。

CraftNet负责轨迹控制，将任务和环境观察转化为North的动作。机械臂与灵巧手如何靠近对象、形成抓握并移动物体，需要对应的动作轨迹。

System 0负责实时、基于触觉的抓握控制。North的手指接触纸杯、金属环或把手后，System 0根据触觉状态调整手指位置和作用力。

CraftNet负责动作轨迹，System 0负责触觉抓握。两套系统分别处理机器人接近物体和接触物体后的控制任务。

Sharpa在此前GTC 2026演讲中，对System 0所处理的接触问题作了进一步介绍。

按照Sharpa的介绍，机器人操作可以分成视觉引导和接触两个阶段。视觉引导阶段负责识别物体、判断接近方向并生成粗动作；手指接触物体后，触觉和本体觉开始承担主要反馈作用。

Sharpa将控制过程划分为System 2、System 1和System 0。System 2负责逻辑推理与任务拆解，System 1根据视觉观察生成动作，System 0处理高频接触反馈。

三层系统采用不同的运行频率，复杂任务推理不需要持续高频执行，接触控制则要快速响应物体滑动、受力和姿态变化。

System 0使用相对轻量的流匹配模型，以100Hz以上的频率处理触觉和本体信息，与灵巧手每秒180帧的触觉数据采集能力配合。

System 0读取触觉、本体状态和当前动作意图，再生成关节角度或关键点的动作修正。它处理的是机器人接触物体之后的动作细节。

为提高推理速度，Sharpa减少模型求解步骤，控制观测和预测帧数，并压缩模型参数规模。在RTX 4060算力支持下，System 0可以维持100Hz以上的推理速度。

在Sharpa展示的手内旋转实验中，未接入System 0时，遥操作输入很难维持物体稳定；接入后，灵巧手可以根据接触状态调整抓握，在旋转过程中减少物体滑落。

在双指搓球实验中，System 0会持续修正指尖动作。即使上层输入出现扰动，灵巧手仍能保持小球稳定；当操作员给出明确的松开意图时，手指再释放物体。

Sharpa通过仿真和强化学习生成抓取、捏取、插入、手内旋转与重定位等基础接触动作数据。

团队在NVIDIA Isaac Sim中建立灵巧手数字资产，根据硬件设计构建关节和几何模型，再对执行器参数与碰撞结构进行标定。

触觉仿真覆盖接触力、接触点和触觉表面形变，Sharpa通过自研Isaac Lab插件，把物体与触觉表面的几何接触转换成二维形变信息。

仿真与真实接触点的误差低于1毫米，受力误差约为0.5牛，形变区域重合度超过85%。

强化学习阶段先训练能够使用仿真特权信息的教师策略，再把能力迁移给只使用机器人实际传感信息的学生策略，用于真机控制。

这套方法让机器人在仿真中反复练习抓握、滑动抑制和手内调整，再通过真实触觉反馈处理现场出现的接触变化。

放进冰淇淋制作流程，轨迹生成负责让North接近纸杯、金属环和机器把手；高频触觉控制则解决手指碰到这些对象后如何继续施力。

04.

从精细操作Demo走向真实订单

Sharpa此前已经发布过多项精细操作Demo。

比如North展示过电脑自主组装，操作内容包括识别和抓取零部件、拧紧螺丝以及处理线缆。

再比如Sharpa还展示过机器人双手协同削苹果，一只手负责握住并转动苹果，另一只手持续控制刀具完成削皮。

其他公开Demo还包括制作纸风车、自主发牌、使用拍立得、操作剪刀和整理桌面。这些任务涉及双手协同、工具使用、手内操作与长序列执行。

削苹果和电脑组装围绕一项确定任务展开，进入上海DQ门店“上班”则要求North根据订单，在纸杯、勺子、柜门、机器把手和金属环之间连续切换。

Sharpa为项目设置了三个条件：面对真实顾客与订单、直接使用现有门店设施、完成一个工作班次。

North需要依次跨过三个层级。第一层是完成打开柜门、固定金属环和倒置纸杯等单项动作；第二层是把这些动作串成一份订单；第三层是连续处理多份订单。

单项动作检验局部操作能力，一份订单需要任务状态和步骤衔接，一个班次则要求整套系统持续运行。

直接使用现有门店设施，也使项目具有部署意义。North能够操作多少为人设计的工具，将影响门店引入机器人时需要调整多少设备和流程。

门店开业后，要在营业时间实现无休稳定运营，机器人需要面对连续客流、设备误差、物料变化和随机干扰，这对其持续感知环境，判断当前状态，并及时调整动作的连续执行能力与泛化性都提出了极高要求。

因此，单份订单耗时、连续成功订单数量、人工接管频率和班次内运行稳定性，将成为观察North实际工作能力的具体指标。

冰淇淋制作拥有明确的标准流程，同时包含刚性工具、可变形容器、次数记录和连续接触控制，这些特点使它成为检验服务机器人灵巧操作与长序列执行的具体场景。

North进入上海DQ门店的重点，不在于机器人能否完成一次冰淇淋倒置，而在于它能否使用现有设备，把一份由几十个步骤组成的订单持续做下去。

当评价单位从一段演示视频变成一家门店的全流程服务，机器人“会干活”才有了更清楚的尺度。