自主精密制造的技术栈：机器人大模型、力控与真机强化学习
精密制造经常被视为具身智能最有价值的落地场景：任务重复、价值可量化、现场有大量机器人基础设施。但它也是最容易戳破“大模型万能论”的场景。
让机器人识别零件、理解“把连接器插入接口”并不等于能够稳定装配。真实产线的难点藏在最后几毫米：孔位有公差，治具会磨损，线缆具有弹性，工件表面会反光，夹爪存在回差，插入力过大还可能造成肉眼不可见的损伤。
精密制造需要的不是一个端到端模型包办一切，而是一套将语义、几何、接触与质量控制分层组合的技术栈。
通用模型与工业精度之间有四道鸿沟
几何精度
视觉语言模型擅长识别“这是什么”，精密装配还要回答“它的六自由度位姿误差是多少”。像素级理解必须经过相机内外参、手眼标定、工具中心点和工件坐标系，才能变成可执行轨迹。
接触感知
很多装配在进入接触后会发生遮挡，视觉无法看见插入深度和卡滞方向。力矩、触觉、电流和声学信号成为主要观测。缺少接触感知，机器人只能反复执行位置命令。
过程稳定
一次成功不是制造能力。产线要面对不同批次、温度、磨损和来料偏差，还要在数千次循环中维持节拍和良率。
质量追溯
动作完成不等于产品合格。系统要保留关键力位曲线、视觉证据、工件批次、策略版本和异常原因，才能支持检测、返工与责任追溯。
大模型应该做“工艺编排器”
机器人大模型在精密制造中的合理位置，是理解工单、识别对象、选择技能、生成参数初值、解释异常和安排恢复步骤。例如：
- 根据产品型号加载对应装配流程。
- 读取多视角画面和仪表状态，判断工位是否准备好。
- 将“装配接口”拆成取件、粗定位、对准、接触搜索、插入、复检。
- 在异常后判断应重新标定、换工件、清洁夹具还是转人工。
它不应该绕过安全控制器，直接以自然语言产生毫秒级电机指令。高层模型的非确定性可以通过候选计划、工具调用和结果校验管理；低层控制的非确定性则可能直接变成碰撞和报废。
精密任务的五层执行栈
1. 工艺与语义层
把产品型号、物料、工序、质量标准和例外规则转换为机器可执行的任务图。每一步都要有前置条件、成功条件、超时和恢复路径。
2. 视觉与标定层
用二维视觉、深度、结构光或多视角重建定位工件，并持续校验相机、夹具和工具坐标。标定不是上线前做一次，而是要监控漂移。
3. 轨迹与可达性层
完成碰撞检查、奇异位形规避、速度规划和多臂协调。通用模型可以给出目标和约束，优化器负责生成满足机器人运动学与安全条件的轨迹。
4. 接触与力控层
阻抗控制、导纳控制和力位混合控制负责稳定接触。对插接、打磨和装配，位置误差不能靠加大刚度解决，否则微小偏差会转化为巨大接触力。
5. 学习与残差层
强化学习或学习型策略处理手写规则难以覆盖的微调：寻找插入口、适应摩擦、补偿柔性、选择摇摆轨迹。最稳妥的方式通常是让它学习基础控制器之上的残差，而不是替换整个控制栈。
为什么“真机强化学习”在这里有价值
精密装配的真实接触包含夹具弹性、材料摩擦、执行器间隙和传感器噪声，仿真很难完全复刻。真机强化学习能够针对实际工位优化，却必须限制探索范围。
可行流程是：
- 用工程师轨迹与遥操作示范建立初始策略。
- 在仿真中扰动公差、摩擦、位姿和控制延迟。
- 用标准工件在受控速度下做真机微调。
- 由力矩阈值、工作区和安全控制器限制动作。
- 人员只在不确定或高风险状态接管。
- 新策略先跑小批量，并与旧工艺做 A/B 对照。
这种路线的核心是把真机交互用于校准“仿真没有学到的残差”，而不是从零开始试错。
质量指标必须进入训练与验收
制造场景不能只看机器人成功率，应把工艺指标一起放进目标函数：
工艺价值
= 合格产出 × 首次通过率 × 稼动率
- 报废损失 - 返工成本 - 人工介入 - 停线损失
对应的评测包括：
| 类别 | 指标 |
|---|---|
| 质量 | 首次通过率、缺陷率、过程能力指数、隐性损伤 |
| 效率 | 周期时间、换型时间、节拍波动 |
| 自主 | 人工介入率、自动恢复率、每班异常数 |
| 接触 | 峰值力矩、力位曲线偏差、超力次数 |
| 泛化 | 换批次、换供应商、治具磨损后的性能 |
特别要避免用“动作完成”替代“质量合格”。如果插头已经进入但卡扣未完全锁止，视觉上很像成功，产品却会在后续振动中失效。
机器人大模型带来的不是无人产线，而是低成本换型
传统自动化在高产量、低变化场景中仍然非常强。具身智能更现实的价值，是降低新品导入、换型和异常处理成本：过去需要工程师逐点编程的任务，可以由模型理解工艺、复用技能，再用少量现场数据适配。
这意味着评估项目时不应只比较单件节拍，还要看：
- 从新工艺文档到首个可运行版本需要多久。
- 一个技能能否跨产品和工位复用。
- 现场工程师调试时间是否下降。
- 异常是否能被自动分类和沉淀。
- 模型升级是否影响已有良率。
自主精密制造不会由一个更大的模型突然实现。它来自通用认知与工业控制的正确分工：大模型扩大任务理解和换型能力，经典控制守住确定性，真机学习吸收复杂接触，质量系统决定最终是否放行。