GMEX Robotics（GMEX Robotics）联合创始人吴军在采访中透露，其公司打造的‘终端+大脑’闭环系统已获首个商用订单——Bon Vivant 3.0烹饪机器人平台。作为纳斯达克上市公司，GMEX强调将生物力学技术与AI结合，通过硬件采集真实场景数据反哺算法，构建自主移动机器人（AMR）与协作机器人（cobot）的垂直整合方案。该模式在餐饮、物流等场景验证成功，为机器人行业提供‘软硬一体’的新范式。
**AWR 采用 OnRobot 电动夹爪，提升数控机床自动化效率**
自动化公司 AWR (Automation Within Reach) 通过采用 OnRobot 3FG25 电动夹爪，对下一代数控机床自动化解决方案进行了标准化升级，旨在提升高柔性、小批量的生产效率。
传统气动夹爪存在“全开或全闭”的局限性，且需要针对不同工件尺寸进行手动调整，这在现代自动化生产中效率低下。AWR 采用 3FG25 电动夹爪，其具有大行程、高负载能力，并能实现数字化的力反馈和定位控制，有效解决了高柔性制造企业频繁更换工件时需要手动调整夹爪的难题。AWR 进一步开发了双夹爪配置，实现了工件的取放和上料的同步，显著缩短了生产周期，提高了投资回报率。
此次升级简化了自动化系统的整体结构，减少了对气动阀、气管等外部设备的依赖，降低了维护成本。3FG25 夹爪能够自动对工件进行中心定位，确保稳定可靠的抓取，其最大负载能力为 25 公斤，行程可调，力反馈功能智能检测抓取状态。AWR 认为，该夹爪在负载、易用性、功能和尺寸等方面都优于同类气动夹爪，为客户带来了更高的灵活性和更快的投资回报。
**工厂自动化日益依赖软件技能的工人**
自动化正日益成为一个软件问题。随着机器人更深入地应用于生产，工人需要具备处理仪表盘、更新、警报以及基于数据的决策的能力。
全球机器人密度持续攀升，2024年，全球范围内安装了超过50万台工业机器人，累计运营数量接近500万台。这使得自动化不再仅仅是投资，更成为日常管理的重要挑战。
关键在于，工人的角色从单纯的机器操作员转变为流程解读者。例如，在包装线上，一个协作机器人（cobot）可能需要频繁切换产品尺寸。这不仅涉及机械操作，更需要判断，因为机器人的视野有限，需要人工识别来自外部的潜在问题。
为了应对这一趋势，企业需要关注软件素养的培养。这包括阅读仪表盘、识别更新失败、发现可疑权限变更等。这些技能不仅能保障生产线的正常运行，还能提升产品质量和安全性。
世界经济论坛的《未来工作报告2025》指出，63%的雇主认为技能差距是业务转型的主要障碍，59%的全球劳动力可能需要在2030年之前接受再培训或技能提升。因此，企业应注重培养员工的广泛、实用的软件技能，使其能够熟练操作、理解系统变化，从而更好地应对自动化带来的挑战。
**法纳克助力家具制造商实现内饰自动化，缓解劳动力短缺**
一家加拿大家具制造商利用法纳克（Fanuc）M-710iC工业机器人构建的自动化工作单元，实现了传统上需要大量人工操作的家具内饰生产流程。该系统由法纳克授权的系统集成商Dvolu开发，能够自动完成面料拉伸、钉钉、修剪和托盘化等任务，取代了原本需要熟练工人的工作。
该项目展示了机器人技术正在从传统的焊接、机床操作和物料搬运等领域，向需要更高灵巧性和适应性的任务拓展。系统采用机器视觉技术，精确识别托盘上座椅垫的位置和方向，然后由机器人进行抓取、定位、拉伸、钉钉和托盘化。通过整合视觉引导、机器人操作和激光修剪，该系统能够适应零件的差异，无需手动调整。
Dvolu表示，该自动化工作单元旨在解决家具制造商面临的劳动力短缺问题，尤其是在涉及重复性、高强度的手工组装岗位。该系统为企业提供了“切实可行的劳动力解决方案”，解决了行业内最难招聘和留住员工的岗位之一。该项目被Dvolu描述为一项重要的技术成就，克服了处理柔性材料带来的挑战。
Generalist AI（通用人工智能公司）近日宣布完成4亿美元融资，用于加速其机器人智能平台的发展。本轮由Radical Ventures领投，总融资额超过5亿美元，公司估值达20亿美元。其GEN-1模型在灵巧操作任务中实现99%可靠性，执行效率较此前系统提升300%。该平台通过视觉-语言-动作模型和世界模型技术，推动机器人从仿真到现实的快速迭代，目标是构建跨场景、跨形态的具身智能系统。
德国农业科技公司eternal.ag（永恒农业科技）近日将其全自主温室收获机器人Harvester部署至荷兰Van Noord Growers，标志着其商业化进程迈出关键一步。Van Noord Growers的种植面积达8.5公顷，计划今年夏季将Harvester数量从1台扩展至3台。该机器人通过AI实现22小时连续作业，应对全球农业劳动力短缺挑战，为eternal.ag的国际扩张奠定基础。
法国精密工程公司Méca-Précis（梅卡-普雷西斯）采用机器人测量单元，成功消除检测瓶颈，提升航空航天零部件的质检效率。其系统整合三坐标测量机与自动化设备，实现无人值守检测，使单个零件检测时间从80小时缩短至1分钟，批量检测效率提升数倍。该方案解决了卫星等复杂部件质检难题，使公司产能提升至原有水平的3倍，同时减少人工干预。
英国机器人初创公司Kirisense（基里森斯）获得亨利·罗伊ce研究所资助，开发能实时感知剪切力和滑动的触觉指尖技术。该项目2026年7月启动，旨在解决机器人抓取物体时易掉落、损坏的难题。不同于依赖摄像头的方案，其光学传感平台可高速检测力反馈，未来将应用于物流、医疗和人形机器人领域。该技术被视为继机器视觉后，推动机器人从感知向操作升级的关键突破。
Heriot-Watt大学Maria Koskinopoulou教授团队正研发自主机器人操作技术，应用于手术、工业等领域。其领导的ARM²Lab参与多项UKRI和欧盟资助项目，聚焦医疗机器人、水下机器人及自主组装技术。研究通过视觉-语言-动作模型（VLA）与强化学习（reinforcement learning）提升机器人抓取（grasping）与操作（manipulation）精度，推动具身智能（embodied intelligence）在复杂场景中的落地。
研究团队提出OLIVE框架，通过低秩增量学习实现外骨骼控制策略的在线个性化适配。该方法将控制策略分解为低秩残差形式，使在线更新成本降低至原成本的1/10，同时保持预训练控制器稳定性。实验显示，OLIVE在步态平滑度、努力减少和运动稳定性指标上分别提升13%、22%和15%，仅需1800步即可收敛，端到端延迟仅7.4毫秒。技术突破在于无需离线轨迹数据，仅依赖肌电信号等实时传感器反馈，适配复杂地形与多样化运动场景。
研究团队提出一种新型四段八关节电缆驱动冗余机械臂配置，通过结合FABRIK算法与残差强化学习，实现更高效的运动控制。实验表明，该设计相比现有方案硬件成本降低30%，定位与定向精度提升三阶量级。这一突破为复杂空间路径规划和高精度操作场景提供了更优解决方案，尤其适用于精密制造与医疗机器人领域。
MoDex提出一种扩散策略，解决灵巧手连续抓取多物体时无需释放已抓物体的难题。该方法通过对立空间条件控制手指参与度，在仿真和真实环境中分别提升成功率2.92-17.92%和6.67-17.78%。基于Franka Emika Panda机器人和Allegro Hand的实验表明，其两阶段训练（模仿学习+强化学习）显著优化了冗余自由度分配，为复杂操作场景下的具身智能提供新方案。
FlowPRO框架通过无需奖励的强化微调方法，解决了视觉-语言-动作模型（VLA）在真实机器人部署中的关键难题。该方法在四个长期双臂任务中实现最高成功率（优于四个基线），其核心算法RPRO结合对比优化器与正则化器，消除奖励黑客问题。数据层面创新采用远程操作干预生成轨迹，并通过平滑插值转换为密集监督，显著提升模型泛化能力。
研究团队提出Discrete-WAM模型，通过统一离散视觉-动作对齐，实现自动驾驶中因果推理与多场景泛化。该模型在大规模基准测试中展现竞争力，为可靠决策提供新路径。
**人形机器人安全具身AI技术取得突破，助力复杂任务执行**
一项研究聚焦于人形机器人（humanoid）在执行长期任务时的安全性问题，并对机器人操作的各个层面进行了深入分析。研究发现，在复杂任务中，语义理解偏差、子任务错误累积、执行过程漂移以及高接触物理风险等问题可能导致安全隐患。
研究团队构建了一个跨层面的安全框架，涵盖规划阶段、策略设计阶段和执行阶段的安全机制，并对现有研究的证据强度进行了评估。目前，策略设计阶段的安全研究相对薄弱，且缺乏针对高接触、长期操作的正式安全保障。此外，基于不确定性的干预机制尚不成熟，缺乏专门针对机器人操作的安全基准。
这项研究旨在推动跨层面的安全保障、评估设计以及更安全地部署长期任务的机器人，有望加速自动导引车（AGV）、自主移动机器人（AMR）和协作机器人（cobot）在实际场景中的应用，并为相关企业带来巨大的商业价值。
研究团队提出动态多智能体拣货配送问题，开发两种算法，首次应对仓储订单动态变化挑战。仿真显示，新方法使订单处理时间比传统方案缩短30%以上。动态令牌传递算法通过任务分解与优先级调度保障避障，协作令牌传递则利用空闲机器人提升系统效率，为高动态仓储场景提供关键技术方案。
研究团队提出MPC-RL方法，将模型预测控制（MPC）与强化学习结合，解决人形机器人运动控制难题。传统方法因训练耗时难以落地，该方案通过新奖励公式与并行计算框架π^nMPC，实现高效训练。实验显示其在运动与操作技能上优于现有方案，代码已开源。
**DexFuture：人形机器人双手精细操作的新突破**
研究人员发布了一种名为DexFuture的全新系统，旨在解决人形机器人（humanoid）进行双手精细操作的难题。该系统采用分层结构，将高层视觉-语言-动作（VLA）预测与低层目标条件结构化策略相结合，显著提升了机器人在复杂工具使用场景下的性能。
DexFuture系统首先利用视觉和触觉信息，构建结构化的手-工具-物体的视觉嵌入，并通过Transformer网络预测多步的未来目标轨迹。随后，低层策略根据这些目标轨迹，对每个关节进行精细控制。在OakInk2双手工具使用任务中，DexFuture的性能达到了参考模型性能的90%，而未使用参考模型的策略仅为7%。此外，该系统以60赫兹的频率运行，速度是基于未来动作条件世界模型（world model）的DexWM风格的交叉熵方法（CEM）规划的250倍。
这项技术有望推动自动导引车（AGV）、自主移动机器人（AMR）以及协作机器人（cobot）在制造业、医疗保健等领域的应用，实现更高效、更灵活的自动化解决方案。
研究团队提出PiL-World，一种分块式世界模型，解决视觉-语言-动作（VLA）策略闭环评估难题。该模型通过交替进行VLA推理和世界模型预测，使双臂操作任务的想象执行与真实机器人表现误差从63.2%降至12.0%。其创新性在于结合动作生成的视觉控制与任务上下文编码，生成多视角一致性观测，显著提升仿真到现实的评估准确性。
研究团队开发出融合触觉反馈与力控技术的机器人超声系统，通过立体视觉生成三维腹部地形图，实现自主扫描。系统采用七自由度机械臂，结合专家操作数据，可执行两种扫描路径，物理实验显示其图像质量与专家水平相当。该技术突破传统二维成像限制，首次实现三维体积数据采集，使诊断准确率提升30%以上，为精准医疗提供新工具。