How SEL Eliminated Ergonomic Injuries and Automated 1.4 Million Screws a Year with Robotiq
当单个协作机器人工作单元解决实际问题、在不到一年的时间内获得全额投资回报并悄然成长为拥有 27 个工作站的自动化项目时，会是什么样子？这正是 Schweitzer Engineering Laboratories (SEL) 在装配线上部署 Robotiq Cobot Components 和螺丝驱动工作单元后所发生的情况。SEL 设计、开发和制造数字产品和系统，为 170 多个国家/地区的关键基础设施提供保护、自动化和控制。 SEL 的使命是让电力更安全、更可靠、更经济，因此质量和可重复性是不容妥协的。当反复出现的人体工程学问题开始导致操作员无法操作时，他们求助于 Robotiq 来解决该问
How IQ Gives Manufacturers a Faster, More Predictable Path to a Running Palletizing Workcell
正确完成码垛项目始终取决于在正确的时间获得正确的信息。产品规格、底限限制、财务目标：如果其中任何一项缺失或错误，项目将在以后为此付出代价。IQ 是 Robotiq 为改变这一现状而构建的平台。它捕获码垛项目背后的信息，对其进行构建，并根据您的实际操作生成经过验证的工作单元设计。其结果是一个可立即部署的码垛工作单元，从第一天起就具有可预测的性能，并且在做出任何事情之前您可以支持财务案例。
Robotiq releases TSF-85 Digital Twin on NVIDIA Isaac Sim
另请阅读 NVIDIA 的 COMPUTEX 报道，其中 Robotiq 与最新的 Isaac GR00T 更新一起出现。
Robotiq Launches IQ to Make Palletizing Automation Faster and More Predictable
大多数想要实现码垛自动化的制造商都面临着同样的问题。在任何人做出任何承诺之前，要得到关于它是否适合他们的操作、成本是多少以及需要多长时间的直接答案总是需要数周的来回、工程时间和现场访问。这就是 Robotiq 构建 IQ 来解决的问题。
Why Do Palletizing Automation Projects Fail? 5 Pitfalls and How to Fix Them
码垛自动化是生产线末端操作中最明显的胜利之一。投资回报率是真实的，劳动力的节省是立竿见影的，而且技术是成熟的。然而，许多制造商却停滞不前，他们花了几个月的时间来完成原本需要几周时间的项目，或者部署了在演示中工作但在生产车间中举步维艰的系统。好消息是：大多数失败都遵循可预测的模式。以下是我们反复看到的五个陷阱，以及如何避免它们，以历史悠久的意大利面粉生产商 Molino Merano 如何将紧张的车间、人员配备问题和不断增长的产品线转变为 14 个月的投资回报来说明。
The economics of Physical AI: Why data quality beats scale
为了达到物理 AI 社区所期望的鲁棒性水平，即在不熟悉的环境中对不熟悉的对象进行零样本部署的通才策略，数据集大小必须增长几个数量级。为了给出规模感，将逻辑扩展到 LLM 规模的数据量（大约 10^2）将需要大约 8000 万个机器人连续运行三年。 The field is therefore bottlenecked not only by compute or model architecture, but more fundamentally by the rate at which high-quality, real-world manipulation data can be gen
How tactile sensing improves model performance
视觉-语言-动作模型是机器人操作领域的最新技术。他们仍然无法在不压碎薯片的情况下拿起薯片。这是视频触觉动作模型（VTAM）背后的团队今年早些时候发布的结果。在薯片拾取和放置任务中（一项需要高保真力感知的任务，仅靠视觉无法区分挤压性抓握和握持性抓握），VTAM 的性能比 π0.5 基线高出 80%。在更广泛的接触丰富的基准测试套件中，VTAM 的平均成功率为 90%。 1该芯片是一个对抗性示例，这正是它是正确测试的原因。在抓握点，只有接触动态才携带有用的信号。压力、振动和力/扭矩告诉策略正在发生什么，纠正仅视觉模型无法自行检测的视觉估计错误。相机无论分辨率有多高，都无法完成这项工作。
Vision-only manipulation is hitting a wall
2016年，我说过一些与当时机器人技术发展方向背道而驰的话：仅靠视觉并不能用于抓取。而不是“它需要改进”。不是“技术还不存在”。这不符合问题。抓是身体上的。接触、力、摩擦力。愿景可以指导方法。它感觉不到接下来会发生什么。当时，我们在实验室里看到了它。触觉振动数据预测抓取失败的准确度为 83%，检测滑动的准确度为 92%。早期结果，但足够清晰。重要的信号不会出现在图像中。十年后，该领域的其他领域也遇到了同样的限制。
How Medra built the largest autonomous lab in the United States
Medra Lab 001 是美国最大的自主人工智能驱动实验室，利用机器人、人工智能和自适应抓手持续运行。Medra Lab 001 从不睡觉。它读取文献、设计实验、运行实验、分析结果，并决定下一步要尝试什么——连续不断，无需人工操作。在 90 天内建成，占地 38,000 平方英尺，已经与包括 Genentech 在内的合作伙伴一起投入生产。这是最清晰形式的物理人工智能：软件智能以 24/7 的规模闭合物理动作循环。
Why pharmaceutical manufacturers are standardizing robotic palletizing
制药商面临着增加产量、保持严格合规并保护其员工的压力，所有这些都在严格控制的环境中进行。然而，许多工厂仍然依赖于生产线末端的手动码垛，其中变异性和风险最难控制。因此，越来越多的制药制造商采用机器人码垛作为其运营的标准部分。这些公司不是为了应对劳动力短缺，而是向自动化战略转型，以提高一致性、安全性和可扩展性。那么为什么制药制造商选择机器人码垛？以下是推动采用机器人码垛的五个主要原因。
Why Physical AI isn't scaling yet, and what's holding it back
物理人工智能正在快速发展。人工智能模型现在可以识别物体、计划行动并适应新任务。但尽管取得了这些进展，大多数系统仍然难以在现实环境中扩展。两个核心挑战解释了原因：现实世界灵活性有限部署成本高且复杂性在这些问题得到解决之前，物理人工智能将仍然难以扩展到受控应用程序之外。
AI can decide. But can it act? The missing layer in Physical AI
人工智能已经取得了令人印象深刻的进步。模型可以对图像进行分类、生成文本，甚至可以规划复杂的动作序列。但是，当你将人工智能从数字世界中取出，并将其放入工厂、仓库或任何物理环境中时，某些东西就会崩溃。人工智能可以做出决定。但它无法可靠地行动。这就是定义物理人工智能的差距，也是大多数现实世界机器人项目成功或失败的地方。
How TIDI Products increased palletizing productivity by 30% with automation
TIDI Products 是一家感染预防和患者安全产品的全球制造商，通过精益码垛实现自动化，改变了其终端操作。结果是：生产力显着提高，工作条件更安全，劳动力利用更有效。该案例展示了机器人码垛如何直接提高制造绩效，并获得清晰、可重复的结果。
Scaling Physical AI: Why grippers and sensors matter for real-world robotics
物理人工智能正在迅速发展。从模仿学习到基础模型，机器人团队正在朝着能够随着时间的推移适应、泛化和改进的系统取得真正的进展。但仍然存在差距。其中许多系统在受控环境中运行良好……但在面对实际生产的变化时却表现不佳。如果您是机器人 OEM、产品领导者或工程团队，您可能已经亲身感受到这一点。挑战不仅仅是构建更智能的机器人。而是构建在现实中可靠工作的机器人world.arm 末端工具是这个方程式的关键部分。
How food manufacturers in Europe are automating palletizing without adding headcount
在意大利和 DACH 地区，食品制造商面临着同样的现实：📈 生产需求增加👷 劳动力短缺和成本上升⚠️ 生产线末端流程限制吞吐量而且往往，瓶颈并不在您想象的地方。👉 是码垛。
How Martin Ray Winery improved bottling efficiency with robotic palletizing
Martin Ray Winery 是一家总部位于加利福尼亚州的历史悠久的葡萄酒生产商，通过实施机器人码垛解决方案实现了其装瓶操作的现代化。结果一览：减少了手动码垛劳动力提高了装瓶生产线效率提高了运营可靠性预计在 18-24 个月内获得投资回报该案例强调了协作机器人码垛机如何解决葡萄酒行业的劳动力短缺和生产瓶颈。
From Physical AI to operational AI
人工智能给机器人带来了巨大的兴奋。机器人现在可以行走、在复杂的环境中导航，并执行几年前看来不可能的任务。但机器人演示和实际工业部署之间存在很大差距。在受控研究环境中工作的机器人与在生产线上可靠运行的机器人有很大不同。这就是物理人工智能和操作人工智能之间的区别。
自动化很少从整个工厂改造开始。更常见的是，它从一条生产线开始。一项挑战，一次机遇，一支团队准备好尝试不同的事物。重要的是接下来会发生什么。
