小米给机器人安排了两份工作。一份在汽车工厂，把中控台侧盖板从料箱搬进料架；另一份在青年公寓，整理房间、清理垃圾，再把物品分类归位。

11月3日，小米披露，新一代机器人在汽车工厂总装车间的盖板排序工站首次完成8小时稳定作业挑战，满足了工站全天生产需求，并实现异常自主纠偏与产线系统级协同，初步验证了产线级作业能力。

此外，青年公寓里的方案则完成了连续超过30分钟、覆盖3个房间、包含50多个任务的长程验证，并进入试运营。

值得一提的是，小米机器人业务的“面向规模化落地的通用机器人操作基座模型关键技术”获得世界互联网大会“领先科技奖”。小米希望把通用操作能力用于工业制造和生活服务场景，既能适应多种任务，也能保证单项任务的效率和稳定性。

盖板排序要求机器人按生产安排反复取放，公寓整理则要把准备工具、清理和复检接成一套流程。团队需要一边扩大机器人能够承担的任务范围，一边把单项操作做得稳定，后续部署才有望减少从头训练和现场调试的投入。

▎盖板排序，难在换握和放置

盖板尺寸大、形状不规则，而且具有柔性，机器人取远端工件时，需要调动身体扩大可达范围，同时保持平衡。取出盖板后，它还要通过双手配合调整握持方式和手内姿态，再把工件放进对应料格。

抓取位置会影响盖板在手中的姿态，继而影响它能否顺利进入料格。研发团队要把取件、换握与放置连起来设计，让前一步的握持为后一步的操作留出空间。

在小米更早公布的螺母上件任务中，机器人从自动送钉设备取出自攻螺母，再放到定位工装上，配合后续输送和拧紧设备作业。螺母内侧的花键结构、每次抓取后的手内姿态以及定位销轴的磁吸力，都会影响螺母能否对准并贴合。

小米3月公布的测试结果显示，机器人在自攻螺母上件工站连续自主运行3小时，双侧同时安装成功率为90.2%，满足产线最快76秒的节拍要求。公司列出的典型失效包括姿态调整时卡滞，以及花键与键槽贴合不紧密、安装不到位。

7月，小米公布盖板排序和料箱折叠回收两个新岗位，当时披露的成功率均为90%。11月3日，公司又披露，盖板排序工站首次完成8小时稳定作业挑战，作业中能够自主纠偏，并与产线系统协同。

▎靠接触反馈处理卡滞

小米7月公布的盖板方案用末端力感知配合主动柔顺策略，在工件钩挂或卡滞时调整动作、继续放置。灵巧手的本体感知则用于细调盖板在手中的姿态，提高放置的精度与稳定性。

盖板受阻后，继续沿原方向施力可能加重卡滞。机器人需要根据接触反馈调整姿态、运动方向或施力，重新找到能够完成放置的路径。

在螺母上件方案中，小米结合视觉、触觉和关节状态判断作业过程，以减少单一传感信息带来的误判。视觉可能受到光照和遮挡影响，触觉则会混入手指与环境、手指之间的非预期接触，团队还得分辨这些信号来自哪里。

手指碰到螺母，并不能说明螺母已经与定位工装贴合，机器人要确认当前步骤是否完成，再决定下一步动作。接触状态判断有误时，后续操作就可能在螺母尚未到位的情况下继续，卡滞后的恢复也会受到影响。

小米3月公布的工厂方案以视觉语言动作模型Xiaomi-Robotics-0为基础，结合强化学习适配工况。团队采用数据驱动的控制方法，希望减少针对不同工况编写动作规则的工作，并让机器人通过与真实环境交互继续学习。

用数据训练动作策略后，研发团队仍需为具体工况采集样本、安排训练并验证结果，其中一部分工程工作从规则编写转向了数据处理和模型评估。后续换到另一种零件或工序时，已有策略能否继续使用、还需要多少新数据，会影响这条路线能省下多少适配工作。

Xiaomi-Robotics-0的技术报告介绍，团队让模型推理与动作执行并行，机器人执行当前动作时，模型便开始预测下一段动作。训练还会限制后续动作对旧动作信息的依赖，使模型更多结合当前的视觉和语言输入作出调整，及时响应新观测。

盖板抓起后若发生滑动，或接触位置出现偏移，机器人就得根据新状态调整下一步动作。如果能在卡滞后自行完成调整和放置，工站就能减少等待人工处理的时间。

▎用工厂作业数据设计灵巧手

小米还将工厂作业数据用于灵巧手设计，在10月公布的研究中，团队采集了1827项标准作业程序的多角度视频和动作捕捉数据。通过这些记录，团队分析人手在实际操作中的关节活动范围和运动耦合关系，并将工厂工具与零件做成仿真资产，用于比较抓握方案。

基于这些作业数据与抓握验证，小米公布了21自由度的仿生手设计，并在仿真中比较不同自由度配置的表现。团队报告，在所用任务和仿真设置下，继续增加到23自由度及以上时，抓握能力的增益放缓。

团队可以从作业记录中找出经常一起运动的关节，并比较不同配置能覆盖哪些操作。增加自由度还会增加机构、驱动和控制的负担，设计时既要考虑新增动作能解决什么任务，也要考虑空间、重量和维护上的代价。

在工程实现上，小米采用以腱绳驱动为主、混合直驱自由度的构型，将绳驱电机主要布置在小臂，掌部重量为324克。团队又设计了张力传感器，用于补偿腱绳蠕变带来的控制问题，维持绳路驱动的一致性。

电机移到小臂后，掌部可以减轻重量，但动力要经过绳路传递，末端控制就需要处理指令与实际输出之间的偏差。手指反复握持、换握时，张力变化也会影响控制效果，模型生成的动作需要与传感和传动机构配合。

小米3月公开的材料提到，腱绳、弹簧和套管等部件曾在重复操作中损坏。早期仿生手经过迭代后，公司在重复抓握测试中测得15万次以上的循环寿命。

密集布置的电机又带来了散热问题，小米10月介绍了一套热预测模型，用于估计维持当前操作时未来5至10分钟的温度变化，以及距离超温还有多久。团队据此提前调度任务、降低关节扭矩或调整风扇转速，让热管理参与作业安排。

抓握过程中持续出力会带来温升，而降低关节输出或停下来散热又可能影响任务执行，因此热管理需要和作业安排一起考虑。反复取放时，机构磨损、输出一致性与散热能力也会共同影响手部能够持续承担的工作量。

这些研究围绕工厂中的重复操作，分别处理关节配置、传动控制、耐久性和散热问题。相关材料涉及不同版本，现有披露尚未确认10月的新手是否用于11月的8小时挑战。

▎机器人如何接入工厂生产流程

小米7月披露，机器人接入工厂系统后，可以直接取得生产任务、物料和目标料格信息。料箱工站中的不同机器人也能通过系统同步状态，配合彼此的作业进度。

工厂系统把任务和目标交给机器人，机器人完成取放后，还要让生产流程确认当前步骤是否结束、下一步何时开始。部署团队因此需要同时处理动作策略、工装和设备接口，某一环节修改后，也要确认其他环节能否正常衔接。

小米在料箱折叠任务中公开过一个操作差异：机器人折叠第二面前，需要先转动箱子，让卡扣朝向自己。熟练工人可以凭经验直接抠开拉环，省去这次调整，团队也将减少这类多余动作作为后续优化方向。

把任务跑通之后，团队还需要检查哪些动作可以省去，哪些调整必须借助工装或其他设备。操作路径不同，耗时和现场配合的要求也会变化，这些差异会影响工站的日常安排和后续部署成本。

小米7月公布的系统保留了远程接管机制，用于处理危险或不可逆的失效。11月的8小时挑战披露尚未给出此次测试的接管次数和耗时。

在自有工厂里，研发团队可以围绕一个工站反复调整数据、工装和策略，后续部署能复用多少成果，会影响新增工站的成本。若每换一种物料、一个料格都要重新采集数据、修改策略并现场调试，新增工站仍会承担较多适配工作。

▎青年公寓，检验多房间任务衔接

在青年公寓，团队基于Xiaomi-Robotics-1预训练模型，用高质量后训练数据开展多轮迭代，并搭建覆盖数据采集、模型推理和任务执行的Agent闭环系统。小米披露，这套方案已经完成连续超过30分钟、覆盖3个房间、包含50多个任务的长程验证。

按小米公布的任务链，机器人先准备工具，再整理沙发和桌面、清理垃圾、给物品分类归位，随后完成房间巡检、全屋复检并离场。公司称，系统可以自主规划和执行这些环节，相关解决方案已经进入试运营。

准备工具、清理和归位之间有先后关系，机器人拿起一件物品后，还得判断把它放到哪里、接下来处理什么。系统要持续跟踪任务进度，把这些动作衔接成一套整理流程，并在最后的巡检和复检中确认是否有遗漏、能否结束任务。

跨房间作业还要求系统在移动后接续原有任务，跟踪哪些区域已经整理、哪些物品尚未处理，以及手中的工具接下来用在哪里。如果前一步未完成，系统就需要调整后续安排，并检查是否可以继续进入下一项任务。

支撑公寓方案的Xiaomi-Robotics-1采用预训练与后训练两阶段路线，据小米介绍，预训练使用了10万小时真实世界操作轨迹。这些数据通过UMI操作采集设备获得，采集过程不依赖特定机器人本体，覆盖家庭、商业空间、工业场景、办公室与户外。

后训练需要完成本体与指令两类对齐，把操作轨迹中学到的动作生成能力迁移到真实机器人上，再让模型根据自然语言指令执行任务。团队为此使用约1万小时跨本体后训练数据，包括自有机器人数据、人工标注的UMI数据及公开机器人数据。

按这套训练思路，团队先让模型接触多种环境中的操作，再用机器人数据完成能力迁移，为具体任务提供一个可以继续训练的起点。进入公寓后，团队仍需通过后训练迭代，并把模型接入任务系统，让感知结果、动作执行与任务进度能够相互衔接。

盖板排序已有明确的物料、目标料格和生产接口，操作策略需要反复应对取放中的接触变化。公寓里的任务则要在不同房间衔接多种操作，机器人既要完成眼前的动作，也要持续跟踪整套任务的进度。

小米目前将公寓方案称为长程任务验证与试运营，尚未公布连续运营天数、人工介入频次及收费情况。试运营可以让同一套操作反复遇到不同的物品摆放和任务组合，为后续补采数据、修改流程和检验改动效果提供依据。

要把运行经历用于改进模型，团队还需要识别失败原因，判断应当补采样本还是调整任务流程。流程或策略修改后，再通过真实任务检查原来的问题是否减少，以及其他操作是否受到影响，才能判断这次修改有没有效果。

▎换一处现场，还需多少调试和人力

小米机器人业务负责人向迪昀在公开介绍中提到，团队要建立面向通用操作的具身基座模型，以及多任务、跨场景的规模化应用体系。按他的表述，多任务泛化和单项任务的效率、稳定性需要同步推进。

这需要研发团队同时处理模型能力和现场部署，用更多操作数据训练模型，为新任务提供可复用的起点，再围绕具体物料、设备和流程提高单项作业的可靠性。任务覆盖范围扩大后，每一项操作还要经得住持续使用，否则新增场景仍会依赖较多现场保障。

自有工厂和青年公寓让小米能够持续接触真实任务，并在同一现场调整数据、模型与作业流程。换到另一处现场后，设备、物料和任务安排仍可能不同，团队需要重新确认哪些模型能力、数据处理方法和控制接口可以复用，哪些部分还要单独适配。

盖板工站接下来要检验日常运行中的异常处理和维护负担，公寓试运营则要继续检验任务衔接与复检判断。再部署一处现场时，需要多久调试、多少人保障，以及有多少能力可以直接复用，会更具体地反映这套方案的实际价值。

-END-