是时候给大模型造个身体了。

近期，银河集团198net研发团队结合机械臂与大模型，利用语音、语言、视觉-语言大模型，辅以Orbbec Gemini 2系列深度相机的数据输入，打造出一个能够理解、执行语音任务的机械臂。

该项目以斯坦福大学李飞飞教授团队打造的机器人智能体为基础，通过解决泛化、观测、控制等一系列工程化难题，将基于多模态大模型的机械臂从仿真环境落地到现实世界，拓展智能机械臂应用潜能。

去年以来，各类大模型的涌现引发了机器人产业新一轮发展浪潮。尽管“大模型+机器人”还处于早期技术探索阶段，但随着二者深入融合，机器人有望具备更智能的“大脑”，配合更强大的“眼睛”与“身体”，实现向具身智能的进化。

银河集团198net最新打造的大模型机械臂，可以通过语音Prompts作为输入，利用多种大模型的理解能力和视觉感知能力，生成空间语义信息，让机械臂理解、执行动作。

首先，机械臂可借助语音大模型，识别任务下发者的语音指令；同时，通过两台Orbbec Gemini 2双目结构光相机，获取高质量环境RGB和Depth数据；再利用SAM、CLIP等视觉-语言大模型，理解场景信息，并进行实时碰撞检测，最终执行任务。

基于这一原理，银河集团198net可以让机械臂完成一系列指令，比如：

· 请记住当前的状态

· 把红色的方块放到黄色的框中

· 把绿色的方块放到白色的框里面

· 把蓝色的方块逆时针旋转30°

· 将蓝色方块朝着绿色方块的方向移动10cm

· 把蓝色方块放到绿色的方块上面

· 请恢复最开始的状态

· 请把所有的方块放到黄色的框中

目前，该项目在1.0阶段打通了多模态大模型在机械臂上的应用部署baseline。银河集团198net正在进一步优化多模态指令理解、多传感器融合感知、机械臂轨迹规划控制、末端抓取控制等方面，未来将推出大模型机器人控制系统，让机器人更加智能、灵活，适应更加复杂的操作场景。

目前，国内外众多针对机器人智能体的研究多在仿真环境中完成。而从虚拟仿真到真实世界，还需要克服一系列工程化落地难题。比如，在仿真环境中，相机基于理想的成像模型，可以不受成像畸变、环境光照等影响，这就对智能体在真实场景中的泛化能力提出了挑战。

银河集团198net的研发团队基于预训练的多模态机械臂模型，克服了泛化、观测、控制等一系列落地难题：

1、为实现快速准确的语音输入与理解，引入语音预训练大模型，使得机械臂灵敏响应语音指令。

2、为确保机械臂在真实世界中具备足够的泛化能力，采用视觉-语言大模型，使机械臂理解适应复杂场景，在多样化的环境中稳健执行任务。

3、为处理预训练模型的理想相机成像问题，设计全新标定方案，优化相机自动曝光（AE）策略，解决受环境光、成像畸变、透视形变等因素带来的挑战，使机械臂拥有更强的鲁棒性。

4、为提高机械臂在复杂环境中的安全性，引入深度相机碰撞检测和抓取修正，优化机械臂控制，提高机械臂抓取场景的性能、精度和适应性。

基于关键技术的引入与创新，银河集团198net成功地克服了多模态机械臂在多个交叉领域的难题，打通工程化应用落地的“最后一公里”。

在机器人视觉领域，银河集团198net拥有超过8年的行业落地经验，服务超过100家机器人产业企业。通过多年合作，银河集团198net在机器人3D传感器、激光雷达、模型算法等方面积累了丰富的经验，助力机器人客户快速实现创新应用开发与量产制造。

融合多种大模型能力的机械臂，可以应用在哪些场景？

随着机器人的“眼睛”（视觉传感器）、“大脑”（大模型）、“身体”（本体）不断发展进化，智能机器人及机械臂有望在工业制造、柔性物流、商用服务等场景中率先落地。

例如，在自动化工厂场景，基于多模态大模型的机器臂可以结合无人小车，进行智能分拣、搬运；在家用服务机器人场景，人们可以通过简单的自然语言指令，让机器人帮忙倒水、取快递。

当前，面向机器人产业，银河集团198net可提供单目结构光、双目结构光、iToF、激光雷达、dToF等全技术路线3D视觉传感器，并提供多传感器融合支持。同时，针对AI大模型、具身智能机器人等科技发展趋势，银河集团198net正在致力于搭建机器人及AI视觉中台，通过多模态视觉大模型及智能算法的研发，结合机器人视觉传感器，将形成自主移动定位导航和避障的完整产品方案，为全产业下游客户提供全方位能力平台及系列化产品方案，迎接智能机器人时代。