CynLr联合创始人谈机器人视觉：理解物体，而非仅仅识别它们

工业机器人在执行重复性任务方面已经做到了速度快、精度高。但如果让它拿起一个陌生物体，自行判断最佳抓取方式，或在物体意外移动时做出调整，传统自动化的局限性就会迅速暴露出来。

几十年来，制造商一直通过精心设计的生产环境、专用工具和大量的机器人编程来应对这些挑战。这使整个行业具备了惊人的生产力，但同时也意味着，一旦更换产品或生产流程，往往需要在新设备和集成工作上投入大量资金。

CynLr 是一家专注于视觉物体智能的印度机器人公司，该公司认为，一种不同的方法可以让工业自动化变得更加灵活。

该公司正在开发一种技术，通过结合视觉感知、物理交互与持续反馈，使机器人能够理解并操控物体。其双臂机器人系统 CyRo 可以被称为一种人形机器人，其设计目标是在无需针对每个新物体进行单独训练或预设操作程序的情况下处理物体。

这个区别十分重要。识别一个物体，并不等同于知道如何拿起它、移动它或准确放置它。即便一个机器人能在实验室条件下成功完成这些动作，面对真实工厂中不可预测的情况时，也可能会遇到困难。

CynLr 更长远的目标是打造所谓的“通用工厂”——一种制造环境，在这种环境中，同一套机器人基础设施可以在无需进行大量物理改造的情况下，用于生产不同的产品。

在这次接受 Robotics & Automation News 采访时，CynLr 联合创始人 Gokul N A 阐述了公司在物体智能方面的方法，解释了为何物理交互与视觉识别同样重要，并谈到了大型 AI 模型在机器人操控方面可能存在的不足。

他还谈到了 CyRo 从抓取失败中恢复的能力、反光和可变形物体带来的难题，以及在真正灵活的机器人制造变得普及之前，必须克服的技术与商业障碍。

对话 Gokul N A

Robotics & Automation News：CynLr 表示 CyRo 可以在无需针对每个物体进行训练或编程的情况下操控陌生物体。实际操作中，“陌生”具体指什么？你们如何测试机器人是否真正做到了泛化，而不是只是遇到了它已经认识的物体的变体？

Gokul N A：所谓“陌生”，是指机器人在开始与物体互动之前，不需要事先学习过该物体的身份，也不需要针对该物体的特定模板。给一个婴儿一团揉皱的纸，他从未见过这种具体的形状，但这并不妨碍他把它捡起来。这正是我们所研究的区别所在。

这里实际上有两个不同的问题：机器人能否处理未知物体，以及它是否知道你想对该物体执行什么任务。我们并不认为第二点会自动从第一点中衍生出来。判断泛化能力的标准，应该是操控能力能否迁移到新物体和新条件下，而不仅仅是识别得分是否提高。

R&AN：视觉可以告诉机器人很多关于物体的信息，但某些属性——重量、摩擦力、柔韧性，或者触碰后物体是否会移动——可能只有通过物理接触才能显现出来。CyRo 是如何将视觉感知与接触获得的信息结合起来的？

GNA：我们通常习惯于将感知和动作分开来看：先观察，再决策，然后行动。但以一枚压印字样看不清的硬币为例，你会倾斜它。这种动作改善了你眼睛所能获取的信息，你的手臂因此也成为了感知过程的一部分。

这正是我们处理物体智能的方式。CyRo 结合了视觉反馈与力/扭矩感知，使运动过程能持续根据接触中发生的情况作出调整。它可以改变观察视角、调整抓取方式，并对物体做出响应，而不仅仅是执行一条预先记录好的轨迹。看清物体的形状只是理解它的一部分，物体在被触碰或移动时如何反应则是另一部分。这两者不能被当作独立的问题来处理。

R&AN：当 CyRo 在操控任务中出错时会发生什么？它能否识别出抓取、重新定向或放置失败，并自主尝试其他方法，还是仍需要人工干预才能恢复？

GNA：精确地重复一个动作，并不等同于知道这个动作是否达成了目的。这个区别在工厂环境中非常重要。

CyRo 具备自主的抓取失败重试能力。当一次抓取失败时，它可以调整位置并再次尝试抓取。力和扭矩反馈也能帮助它在接触过程中作出响应，而不仅仅依赖于零件预期所在的位置。

但抓取失败和装配流程失败并不是同一个问题。我不会因此声称每一次重新定向或放置失败都能自主恢复。更有意义的问题是：在特定任务中，哪些失败是该工作单元能够自行恢复的，哪些仍然需要人工介入。

R&AN：工厂的实际环境很少像实验室演示那样受控。零件会移位，光照会变化，表面会变脏，物体也会以意想不到的方向出现。目前 CyRo 能够可靠处理哪些现实世界的变化，又有哪些仍然是重大难题？

GNA：反光物体就是说明这一难点的一个很好的例子。它的图像中包含了周围环境的反射，而不仅仅是物体本身的信息。改变观察角度，摄像头所看到的内容又会发生变化。单纯采集更多图片并不是唯一的解决方案，系统必须能够以不同的方式去观察。

我们的研究通过主动视觉和操控过程中的反馈，来应对物体位置和朝向的变化、光照变化，以及反光和透明表面等问题。但我要将这些能力与“在工厂中实现无限制可靠性”这一说法区分开来。柔软的电线在被触碰时会发生形变，而刚性零件则不会如此。污垢、遮挡、可变形性以及任务本身都需要被综合评估。一次成功的演示并不能确定整个生产单元的运行极限。

R&AN：当前的具身智能行业大多在追求大规模机器人学习、基础模型以及在海量数据集上训练的世界模型。CynLr 在物体智能方面似乎采取了一种有所不同的方法。你认为大型学习模型在哪些方面对操控任务有用，又在哪些方面存在不足？

GNA：我反对的不是学习本身，而是认为仅凭足够多的样本就能弥补缺失信息的这种假设。一张照片无法告诉你，当夹爪接触物体时会发生什么。机器人必须通过交互来获取这类信息。

大型模型在为任务提供上下文、并将其与已有知识关联起来方面是有用的。但识别出一把勺子，或者描述应该对它做什么，并不能让机器具备在反光和接触条件不断变化的情况下抓取它的能力。我们正在构建的正是这一底层能力。婴儿在拥有语言能力之前就已经能够操控物体。而在机器人领域，我们往往先尝试构建语言和识别能力，并假设物理操控能力会随之而来。

R&AN：CynLr 提出了“通用工厂”的概念，即可以重新配置以生产截然不同产品的工厂。在机器人工作单元能够从生产一种产品转向生产另一种产品、而无需传统自动化所需的大量重新设计和集成工作之前，还缺少哪些技术能力？

GNA：试想一下，如果每个应用程序都需要一部专门定制的手机才能运行，那会是什么样子。而这正接近于我们如今组织制造业的方式：一款新产品往往需要围绕它建造全新的机器设备。

物体智能是实现这种转变的基础，但它并不是整个工厂。我们仍然需要更丰富的传感能力、可适应的操控方式、双臂之间的协调配合、合适的工具，以及教授和复用任务的方法。这些层面必须能够可靠地协同工作。此外，还需要有一个生态系统，能够将底层技术转化为具备完善支持的生产解决方案。

未来的方向是通过软件来改变工厂所生产的内容，而不是每次都重建物理基础设施。通用工厂是最终目标，但不应被误解为某个工作单元已经能够生产任何产品。

R&AN：如果我们在五年后重新走访一家使用 CyRo 的工厂，你期望看到它完成哪些如今的工业机器人通常无法做到的事情？在这一切变得普及之前，在技术和商业层面还需要实现哪些突破？

GNA：我期待看到的是，当产品发生变化时，这个工作单元依然能够发挥作用。能否用同一套基础设施处理不同的零件、学习新的任务，并在该任务范围内适应各种变化，而无需重建周边的机器设备？

这才是比单纯加快同一动作速度更有意义的变化。

从技术层面来看，感知能力与操控能力必须同步成熟，包括在现实情况与预期不符时能够恢复的能力。从商业层面来看，客户需要的是一套可靠的系统，而不是一个研究项目：这涉及集成、支持、部件的一致性，以及采用它的经济理由。

五年后的进展，应该以朝着这种灵活性迈进的程度来评判，而不是承诺每一家工厂都会成为通用工厂。其价值在于让制造基础设施能够在不同产品之间被重复利用，而不是将其用途局限于某一种产品的生命周期之内。